Классификация изображений CIFAR-10

Учебный проект по компьютерному зрению: классификация изображений датасета CIFAR-10 (60 000 цветных картинок 32×32 в 10 классах). В репозитории сравниваются два подхода — свёрточная сеть как экстрактор признаков + классические алгоритмы, и обучение ResNet-18 «с нуля».

Ноутбуки

1. CIFAR10 PyTorch CNN LDA LogisticRegression.ipynb

Гибридный пайплайн:

• свёрточная сеть на PyTorch обучается и используется как экстрактор признаков;
• извлечённые эмбеддинги (train_features.csv, test_features.csv) подаются в классические модели — LDA и логистическую регрессию (scikit-learn);
• сравнение качества CNN-классификатора и классических моделей поверх признаков.

2. CIFAR10 ResNet18 Scratch.ipynb

Реализация архитектуры ResNet-18 с нуля на PyTorch (остаточные блоки, downsample, BatchNorm), обучение на CIFAR-10. Обученные веса сохранены в checkpoint/resnet18_cifar10.pth.

Структура

CIFAR10/
├── CIFAR10 PyTorch CNN LDA LogisticRegression.ipynb
├── CIFAR10 ResNet18 Scratch.ipynb
├── checkpoint/resnet18_cifar10.pth   # веса обученной ResNet-18
├── cifar_net.pth                     # веса CNN
├── train_features.csv / test_features.csv  # признаки, извлечённые CNN
└── data/cifar-10-batches-py/         # датасет CIFAR-10

Запуск

git clone https://github.com/DenisDrobyshev/CIFAR10.git
cd CIFAR10
pip install torch torchvision scikit-learn pandas numpy matplotlib jupyter
jupyter notebook

Датасет уже включён в data/, поэтому ноутбуки запускаются без дополнительной загрузки.

Стек

PyTorch · torchvision · scikit-learn (LDA, LogisticRegression) · pandas · NumPy · matplotlib