vasevooo/nn_project_2

Проект: классификация изображений с помощью нейросетей

Цель проекта: разработать multipage-приложение на базе Streamlit, которое предсказывает класс загруженного изображения с помощью одной из нейросетей.

Использованные инструменты:

1. Модели: Inception, ResNet
2. Фреймворк: PyTorch
3. Деплоймент: Streamlit

Ссылка на проект

Участники команды:

1. Василий Севостьянов
2. Анна Филина
3. Вероника Красикова.

Распределение моделей и задач между участниками команды выглядит следующим образом:

• Анна Филина: Классификация произвольных изображений с использованием модели Inception.
• Василий Севостьянов: Классификация изображений кошек и собак с помощью предобученной модели ResNet и переобученным классификационным слоем (1000 категорий были сокращены до двух)
• Вероника Красикова: Классификация заболеваний кожи с помощью модели ResNet и ее дальнейшим переобучением.

Благодаря такой схеме работы мы успешно завершили задачу в назначенные сроки и достигли высокой точности предсказаний для каждой модели. Несмотря на возникающие трудности (ведь они неминуемы в работе и творчестве), этот проект стал для нас приятным опытом работы в команде.

Project: Image Classification Using Neural Networks

Project Objective: Develop a multipage application using Streamlit that predicts the class of the uploaded image using a neural network.

Tools Used:

1. Models: Inception, ResNet
2. Framework: PyTorch
3. Deployment: Streamlit

Link to the project

Team Members:

1. Vasily Sevostyanov
2. Anna Filina
3. Veronika Krasikova.

Distribution of Models and Tasks Among Team Members:

• Anna Filina: Classification of arbitrary images using the Inception model.
• Vasily Sevostyanov: Classification of cat and dog images using a pre-trained ResNet model and a retrained classification layer (1000 categories were reduced to two)
• Veronika Krasikova: Classification of skin diseases using the ResNet model and further fine-tuning.

Thanks to this working scheme, we successfully completed the task within the assigned deadlines and achieved high accuracy in predictions for each model. Despite the challenges that arise (as they are inevitable in work and creativity), this project has been a pleasant team working experience.