Skip to content

About

Intel image classification with CNN and MobileNetV2 transfer learning (TF-Keras), exported to SavedModel, TFLite, and TensorFlow.js. (๐Ÿ‡ฎ๐Ÿ‡ฉ Documentation in Indonesian)

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Latest commit

ย 

History

2 Commits

Folders and files

Repository files navigation

Klasifikasi Gambar dengan CNN (TF-Keras)

Python TensorFlow TensorFlow.js TFLite Colab Notebook

Proyek submission klasifikasi gambar (6 kelas) menggunakan Convolutional Neural Network (CNN). Dua model dibandingkan: cnn1 (CNN sederhana dari nol) dan cnn2 (transfer learning MobileNetV2). Keduanya dilatih di Google Colab, diekspor ke SavedModel dan TFLite, lalu dikonversi ke TensorFlow.js di lingkungan lokal (Windows) agar dapat dijalankan langsung di browser.

Tujuan:

  1. Membangun dan melatih model klasifikasi gambar 6 kelas dengan tf.keras.
  2. Membandingkan performa CNN sederhana dengan transfer learning MobileNetV2.
  3. Mengekspor model ke SavedModel, TFLite, dan TensorFlow.js.
  4. Menguji kedua model secara langsung di browser melalui halaman web sederhana.

๐Ÿ—‚๏ธ STRUKTUR REPO

submission/
โ”œโ”€โ”€ exported_model/
โ”‚   โ”œโ”€โ”€ cnn1/
โ”‚   โ”‚   โ”œโ”€โ”€ saved_model/         # SavedModel (saved_model.pb, variables, assets)
โ”‚   โ”‚   โ”œโ”€โ”€ tflite/              # model.tflite dan label.txt
โ”‚   โ”‚   โ””โ”€โ”€ tfjs_model_graph/    # model.json dan berkas group1-shard*.bin
โ”‚   โ””โ”€โ”€ cnn2/                    # struktur sama dengan cnn1
โ”œโ”€โ”€ lampiran/                    # Tangkapan layar halaman uji
โ”œโ”€โ”€ web/
โ”‚   โ””โ”€โ”€ index.html               # Halaman uji di browser
โ”œโ”€โ”€ README.md
โ”œโ”€โ”€ img_classification_CNN_colabv1.ipynb
โ”œโ”€โ”€ img_classification_cnn_colabv1.py
โ”œโ”€โ”€ requirements.txt             # Environment Google Colab
โ””โ”€โ”€ tfjs.txt                     # Environment lokal (konversi TFJS)

๐Ÿง  MODEL

Model Arsitektur Akurasi train Akurasi val Akurasi test
cnn1 CNN sederhana dengan tf.keras (Sequential, tanpa bobot pretrained):
Rescaling (1/255) โ†’ 3 blok Conv2D 3x3 + MaxPooling (32, 64, 128 filter, ReLU) โ†’ Flatten โ†’ Dense 64 (ReLU) โ†’ Dense 6 (softmax)
82,13% 81,00% 81,70%
cnn2 Transfer learning:
Rescaling (1/127.5, offset -1) โ†’ MobileNetV2 (bobot ImageNet) โ†’ Conv2D 256 (3x3, ReLU) โ†’ MaxPooling โ†’ Global Average Pooling โ†’ Dropout 0.4 โ†’ Dense 6 (softmax)
93,4% 91,7% 91,57%

Model terbaik: cnn2 (MobileNetV2 + fine-tuning) dengan akurasi test 91,57%.

๐Ÿ”„ ALUR KERJA

Environment Kegunaan Berkas
Google Colab Pelatihan, ekspor SavedModel dan TFLite requirements.txt
Lokal, Windows Konversi ke TensorFlow.js tfjs.txt
  1. Jalankan img_classification_CNN_colabv1.ipynb di Google Colab (runtime T4 GPU) โ†’ menghasilkan SavedModel dan TFLite.
    • Ekspor Savedodel dengan model.export().
    • Konversi TFLite dari SavedModel dengan tf.lite.TFLiteConverter.
  2. Unduh folder exported_model/ ke komputer lokal.
  3. Konversi ke TFJS dengan dari SavedModel di lingkungan lokal Windows (virtual environment Conda terpisah).
  4. Jalankan halaman uji di browser.

Pelatihan dan Ekspor (Google Colab)

Pelatihan dilakukan melalui img_classification_CNN_colabv1.ipynb. Setelah selesai, model diekspor ke format SavedModel dan TFLite.

Model Tahap Optimizer Epoch Maksimum Catatan
cnn1 Pelatihan penuh Adam (bawaan) 20 EarlyStopping (patience 3)
cnn2 1. Ekstraksi fitur Adam 1e-3 25 MobileNetV2 dibekukan, EarlyStopping (patience 4)
cnn2 2. Fine-tuning Adam 1e-5 20 (tambahan) 40 layer terakhir MobileNetV2 dilatih (layer BatchNorm tetap beku), EarlyStopping (patience 5) dan ReduceLROnPlateau (faktor 0.3, patience 2)

Kode ekspor model:

# 1. SavedModel
for nama, model in models.items():
    model.export(f"{base}/{nama}/saved_model")
    print(nama, "-> saved_model selesai")

# 2. TFLite (dari SavedModel)
for nama in models:
    converter = tf.lite.TFLiteConverter.from_saved_model(f"{base}/{nama}/saved_model")
    with open(f"{base}/{nama}/tflite/model.tflite", "wb") as f:
        f.write(converter.convert())
    print(nama, "-> tflite selesai")

๐Ÿ“Œ Folder tflite/ harus sudah ada sebelum kode di atas dijalankan (misalnya dengan os.makedirs(..., exist_ok=True)).

Konversi ke TensorFlow.js (Lokal, Windows)

Konversi TFJS dilakukan secara lokal karena pustaka tensorflowjs tidak kompatibel dengan versi paket di Colab (TensorFlow 2.21, Keras 3, NumPy 2). Detail versi ada di requirements.txt dan tfjs.txt. Agar tidak bentrok dengan TensorFlow dan Python yang sudah terpasang, konversi dijalankan di virtual environment Conda terpisah.

1. Siapkan environment

  1. Buka terminal command prompt (cmd) di VSCode

    conda create -n tfjs python=3.10
  2. Aktifkan virtual environment tfjs

    conda activate tfjs
  3. Upgrade pip

    python -m pip install --upgrade pip
  4. Install beberapa dependsi. Lebih lanjut lihat tfjs.txt

    pip install tensorflow==2.15.0 tf-keras==2.15.0 tensorflow-hub==0.16.1 "numpy<2" "protobuf<5" "setuptools<70" h5py six packaging importlib_resources
    pip install --no-deps tensorflowjs tensorflow_decision_forests ydf

Instalasi tensorflowjs dengan --no-deps memasang versi 4.22.0.

2. Catatan khusus Windows

tensorflowjs_converter 4.22.0 mengimpor tensorflow_decision_forests dan jax saat dijalankan, padahal keduanya tidak dibutuhkan untuk model CNN. Di Windows, tensorflow_decision_forests tidak memiliki pustaka inference.so, sehingga konverter gagal diimpor.

Solusi: beri tanda komentar (#) pada dua baris impor di folder site-packages/tensorflowjs/converters/ pada environment tfjs:

  • tf_saved_model_conversion_v2.py: baris import tensorflow_decision_forests
  • __init__.py: baris from tensorflowjs.converters.jax_conversion import convert_jax

โš ๏ธ Perubahan ini hilang jika tensorflowjs dipasang ulang atau diperbarui. Alternatif tanpa modifikasi adalah menjalankan konversi di WSL2 (Ubuntu).

3. Jalankan konversi

Pastikan environment tfjs aktif, lalu jalankan perintah berikut di terminal dari folder submission/:

tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --saved_model_tags=serve exported_model/cnn1/saved_model exported_model/cnn1/tfjs_model_graph

tensorflowjs_converter --input_format=tf_saved_model --output_format=tfjs_graph_model --saved_model_tags=serve exported_model/cnn2/saved_model exported_model/cnn2/tfjs_model_graph

atau jalankan di code cell akhir notebook.

Referensi: Import SavedModel ke TensorFlow.js

๐Ÿ–ฅ๏ธ MENJALANKAN MODEL DI BROWSER

Gunakan halaman uji web/index.html:

  1. Buka terminal di folder submission/, lalu jalankan server lokal:

    python -m http.server 8000
  2. Buka http://localhost:8000/web/index.html di browser.

    Tampilan awal halaman uji

  3. Pilih satu gambar.

  4. Halaman menampilkan hasil prediksi cnn1 dan cnn2 secara berdampingan.

    Tampilan hasil prediksi

๐Ÿ“Œ Koneksi internet diperlukan saat halaman pertama kali dimuat untuk mengunduh TensorFlow.js dari CDN.

๐Ÿ’ก TEMUAN UTAMA

  1. Transfer learning jauh lebih unggul. cnn2 mengungguli cnn1 sekitar 9,9 poin persentase pada data uji (91,57% vs 81,70%).
  2. Kedua model tidak menunjukkan overfitting berarti. Selisih akurasi train dan val hanya sekitar 1,1 poin (cnn1) dan 1,7 poin (cnn2), dan akurasi test sejalan dengan akurasi val.
  3. Fine-tuning dua tahap efektif. Ekstraksi fitur dengan MobileNetV2 beku, dilanjutkan fine-tuning 40 layer terakhir dengan learning rate kecil (1e-5), menghasilkan model yang stabil.
  4. Ketiga format ekspor tersedia. SavedModel, TFLite, dan TFJS siap dipakai untuk server, mobile, dan web.

โš ๏ธ KETERBATASAN

  • Konversi TFJS di Windows bergantung pada modifikasi manual paket tensorflowjs yang hilang saat dipasang ulang.
  • Halaman uji membutuhkan koneksi internet untuk memuat TensorFlow.js dari CDN.
  • Evaluasi hanya memakai akurasi; metrik per kelas (precision, recall, F1) dan confusion matrix belum dilaporkan.
  • Halaman uji dijalankan lewat server lokal sederhana (http.server), bukan untuk penggunaan produksi.

About

Intel image classification with CNN and MobileNetV2 transfer learning (TF-Keras), exported to SavedModel, TFLite, and TensorFlow.js. (๐Ÿ‡ฎ๐Ÿ‡ฉ Documentation in Indonesian)

Topics

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Contributors

Languages