Convolutional Layers, transfert learning,LightLayers: comparaison des
performances pour la classification d’images médicales

Les techniques d’apprentissage profond ont révolutionné le domaine du Machine Learning (ML). Notamment les réseaux de neurones convolutifs (CNN) pour le traitement d’images.
Cependant, les inconvénients des CNN sont qu’ils nécessitent énormément de données, de temps d’entraînement et de stockage. Le but de cette étude était de comparer les performances et les ressources nécessaires à l’entraînement, l’exportation et l’utilisation, de différentes solutions (réseau vierge, apprentissage par transfert, LightLayers) de réseau de neurones convolutifs (CNN). Pour cela un jeu de données d’images médicales a été utilisé pour comparer différents indicateurs. Il en résulte qu’il semblerait possible d’obtenir avec les LightLayers des résultats au moins comparables à un modèle d’apprentissage par transfert, avec une taille représentant seulement 0,5% de ce dernier.

Configuration:

Environnement : Kaggle notebook, GPU

Librairies : pandas, numpy, matplotlib, seaborn, tensorflow, keras, PIL, os