Deep Learning : Klasifikasi Gambar Menggunakan Convolutional Neural Network dengan Arsitektur VGGNet
Case : Klasifikasi Citra X-Ray Scan Covid dan Normal
Hallo guys.. Kembali lagi bersama saya Mr.D, Kali ini kita akan belajar salah satu aristektur dari Algoritma Convolutional Neural Network yaitu VGGnet.
Seperti biasa saya disini tidak menjelaskan secara detail apa itu VGGnet, hanya praktik dalam implementasinya dan cara kerjanya saja.. So temen temen bisa searching di google aja yaa penjelasan lebih detailnyaa tentang VGGNet hehe
Sebelum kita mulai praktik, ada beberapa library utama yang temen-temen harus siapkan di python kalian seperti keras, tensorflow, OpenCV, dll. Full source code dan dataset dalam tutorial ini bisa kalian unduh DISINI
Pertama
Langkah pertama buatlah susunan folder seperti ini di folder kerja kalian :
Dalam folder dataset berisi nama folder object yang akan kalian deteksi yang dimana dalam hal ini kita menggunakan contoh dataset covid dan normal (karna sekarang lagi musim pandemi ini). Kemudian pada folder examples berisi data images yang akan kalian testing sebagai output nantinya. Dalam folder VGGnet berisi code arsitektur dari VGGnet itu sendiri yang nantinya akan kita gunakan dalam pemrosesan gambar ini. File train.py kita gunakan untuk melakukan training data images kita dan file classifiy.py akan kita gunakan untuk melihat hasil output testing image kita.
Kedua
Tahap Kedua yang akan kita lakukan adalah melakukan training images kita. Ada beberapa parameter yang perlu di perhatikan sebelum melakukan training seperti Epochs, LR (learning rate), BS (Batch Size). Yang perlu di perhatikan adalah jumlah Epochs, disini saya menggunakan Epochs =50, artinya pada saat training nanti sistem kita akan melakukan iterasi sebanyak 50 kali untuk mendapatkan model yang kita cari. Konsep utama dari Epochs ini adalah semakin banyak jumlah Epochs maka HARAPANNYA akan semakin baik model yang akan kita dapatkan.
Setelah itu ketiklah perintah berikut pada command promt kalian untuk melakukan training :
python train.py — dataset dataset — model covid.model — labelbin lb.pickle
Arti perintah diatas adalah membaca dataset yang ada dalam folder dataset dan membentuk model dengan nama covid.model. RUN !!!
Bisa kita lihat pada iterasi ke 50 akurasi sudah mencapai lebih dari 90% dan nilai loss yang cukup kecil juga. Artinya model yang terbentuk sudah cukup baik untuk kita gunakan dalam melakukan prediksi pasien rontgen dada covid dan normal. Dalam folder kerja kita akan terbentuk beberapa file seperti ini.
Ketiga
Setelah melakukan training dengan hasil yang cukup bagus, sekarang kita akan melakukan testing menggunakan model yang sudah terbentuk. Ketikkan perintah berikut pada command promt untuk melakukan testing :
python classify.py — model covid.model — labelbin lb.pickle — image examples/testimages.jpg
RUN!! hasilnya seperti ini :
Bisa kita lihat contoh sampel testing dari gambar diatas, sistem kita sudah cukup baik dalam melakukan deteksi rontgen dada pasien normal dan covid dengan akurasi yang cukup tinggi yaitu diatas 90% untuk kedua sampel tersebut.
Untuk tulisan saya yang lain tentang Deep Learning dengan berbagai Case, temen-temen bisa lihat di link link dibawah
- Part1 : Object Detection Menggunakan Tensorflow-API
- Part 2 : Object Detection Menggunakan Tensorflow (Perbandingan Arsitektur SSD Mobilenet dan Faster R-CNN)
- Part3 : Setting dan Instalasi Object Detection Menggunakan Tensorflow
- Part 4 : Klasifikasi Gambar Menggunakan Web-Flask
- Part 5 : Face Recognition Menggunakan OpenCV
- Part 6 : Klasifikasi Gambar Dengan Convolutional Neural Network Menggunakan Keras-Python
- Part 7 : Klasifikasi Gambar Menggunakan Arsitektur VGGNet-Keras
- Part 8 : Tensorflow Object Detection API Menggunakan Google Colab (Kasus : Deteksi Covid-19 Dari Data Rontgent Dada
- Part 9 : Klasifikasi Gambar Menggunakan Convolutional Neural Network dengan Arsitektur LeNet
- Part 10 : Convolutional Neural Network Menggunakan Package Keras di R
- Part 11 : Vehicle Counter Menggunakan OpenCV Python
Source :
