Hacktoberfest 2026: le issue che i maintainer hanno segnato per ottobre, aperte e adatte ai principianti. Sfoglia le issue Hacktoberfest

[T5] EfficientNet-B0: load ImageNet-pretrained model with a 3-class head

Aperta Adatta ai principianti
  • Qualcosa non va?
#71 0 commenti 0 reazioni 0 assegnatari Vedi su GitHub

I maintainer di solito rispondono entro 1 giorno

Nessuno ha ancora preso questa issue.

Valutazione

Difficoltà
2/5
Tempo stimato
1-3 ore
Idoneità per principianti
82/100
Tipo di issue
Funzionalità
Chiarezza
Specificata chiaramente
Stato di attività
Attiva
Stack tecnologico
python, tensorflow
Ambito
machine-learning

Direzione di ricerca

Inizia con SOTA_EfficientNetB0.ipynb ed esamina gli esempi di caricamento di EfficientNetB0 e dei dati; l’issue specifica le impostazioni del modello, l’head, le suddivisioni condivise dei dati e il preelaborazione. Crea il modello ed esegui un batch di animal/train; il lavoro è completato quando le predizioni hanno forma (batch, 3) e vengono stampati il numero totale di parametri e il numero di parametri addestrabili.

Scritto dal modello di indicizzazione a partire dal testo della issue.

Descrizione

task-5 ws4-efficientnet

Assignment task 5 (SOTA fine-tuning).

File: SOTA_EfficientNetB0.ipynb

Tasks
  • tf.keras.applications.EfficientNetB0(include_top=False, weights="imagenet", input_shape=(64, 64, 3))
  • Add head: GlobalAveragePooling → Dropout → Dense(3, softmax)
  • Correct preprocessing: EfficientNet includes its own rescaling layer – feed raw 0–255 pixels, do not divide by 255
  • Print total and trainable parameter counts

Use the shared split in animal/train, animal/val, animal/test (64×64 RGB PNG, 700/150/150 images per class). Do not re-split or resize. No data augmentation (group decision).

Done when

Model builds and predicts shape (batch, 3) on one batch from animal/train.

Depends on

#49

Branch: feat/71-efficientnet-build · open a PR into main with Closes #71 in the description.

Lingua principale
Jupyter Notebook
Stelle
0
Fork
0
Merge medio
2h 25m
PR unite (30g)
16

Preparare l'ambiente

Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.

Come iniziare

  1. Leggi tutta la issue e poi la guida ai contributi del progetto.
  2. Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
  3. Fai un fork del repository e lavora su un branch.
  4. Apri una pull request che faccia riferimento al numero della issue.

Altre issue di VisionForgeCSE/CNN-For-Image-Classification

Tutte le issue di VisionForgeCSE/CNN-For-Image-Classification

Issue simili

Altre issue su Machine Learning

Ricevi le nuove issue nella tua casella

Un breve riepilogo di issue GitHub adatte ai principianti.