Image classification using PyTorch and Core ML
Artykuł w czasopiśmie
MNiSW
5
spoza listy
| Status: | |
| Warianty tytułu: |
Klasyfikacja obrazów z zastosowaniem bibliotek PyTorch oraz Core ML
|
| Autorzy: | Ślusarski Jakub, Szumny Arkadiusz, Skublewska-Paszkowska Maria |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2025 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Wolumen/Tom: | 36 |
| Strony: | 303 - 311 |
| Bazy: | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Witryna wydawcy |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 30 września 2025 |
| Abstrakty: | angielski | polski |
| The aim of the study was to compare different machine learning models trained using the PyTorch library in Python and the Core ML library in the Create ML tool. In the case of PyTorch, using transfer learning on a pre-trained ResNet50 model, data augmentation and normalization, four models were trained on two various data sets, achieving accuracy, precision, recall and F1 score above 80%. Four identical models were trained on the same data sets in the Create ML tool, and the conversion of the PyTorch models to the Core ML format allowed for a reliable comparison. This also emphasizes the effectiveness of conversion using the coremltools library, while maintaining model performance. The study empha-sizes the key role of dataset quality and techniques for improving dataset quality. | |
| Celem badania było porównanie różnych modeli uczenia maszynowego wytrenowanych przy użyciu biblioteki PyTorch w Python i biblioteki Core ML w Create ML. W przypadku PyTorch wykorzystując uczenie transferowe na wstępnie wytrenowanym modelu ResNet50, rozszerzenie i normalizację danych, cztery modele zostały wytrenowane na dwóch różnych zestawach danych, osiągając dokładność, precyzję, czułość i wynik F1 na poziomie przekraczającym 80%. Na tych samych zbiorach danych wytrenowano cztery tożsame modele w narzędziu Create ML, a konwersja modeli PyTorch do formatu Core ML pozwoliła na ich wiarygodne porównanie. Podkreśla to również skuteczność konwersji przy użyciu biblioteki coremltools, zachowując wydajność modelu. Badanie podkreśla kluczową rolę jakości zbioru danych i technik poprawy jakości zbioru danych. |
