Projekt 13
ResNet50- & VGG19-Modellvergleich
Eine analytische Studie, die zwei klassische Convolutional-Architekturen per Transfer Learning auf demselben Datensatz trainiert und sie anschließend in Genauigkeit, Inferenzzeit und Modellgröße vergleicht.
- Kategorie
- KI
- Rolle
- Data Science und Modellbewertung
- Jahr
- 2026
verwendete technologien
- Python
- TensorFlow
- Keras
- CUDA
- Matplotlib
- Seaborn
problem
Problem
Für ein konkretes Bildklassifikationsproblem war unklar, welche Convolutional-Architektur die bessere Balance aus Genauigkeit, Inferenzzeit, Modellgröße und Overfitting bietet. Die Entscheidung sollte auf Messung beruhen, nicht auf Intuition.
lösung
Lösung
Nach den Prinzipien des Transfer Learning habe ich vortrainierte ResNet50- und VGG19-Modelle auf demselben Datensatz optimiert und mit schichtweisem Einfrieren der Gewichte sowie eigenen Klassifikationsköpfen feinabgestimmt. Mit Matplotlib und Seaborn habe ich Vergleichsskripte gebaut, die Loss/Accuracy-Kurven, die Konfusionsmatrix und Inferenzlatenz-Metriken visualisieren.
ergebnis
Ergebnis
Entstanden ist eine gründliche Analyse, die Stärken und Schwächen beider Architekturen statistisch darlegt und eine Grundlage für Hardware- und Modellauswahl bei künftigen Edge-Deployments bietet.
wichtigste funktionen
- 01Optimierung vortrainierter ResNet50- und VGG19-Modelle auf demselben Datensatz per Transfer Learning.
- 02Fine-Tuning-Strategien mit schichtweisem Einfrieren der Gewichte und eigenen Klassifikationsköpfen.
- 03Vergleichsskripte zur Visualisierung von Loss/Accuracy-Kurven, Konfusionsmatrizen und Inferenzlatenz.
- 04Architekturvergleich anhand von Precision, Recall und F1-Score.
warum diese entscheidungen
Warum sind ResNets Residualverbindungen entscheidend?
In flachen tiefen Architekturen wie VGG verschwinden Gradienten mit zunehmender Schichtzahl, sodass das Modell trotz größerer Tiefe schlechter lernt. ResNets Skip Connections lösen dies; die Messungen zeigten experimentell höhere Genauigkeit und Geschwindigkeit bei weniger Parametern.
Warum Transfer Learning?
Beide Architekturen von Grund auf zu trainieren hätte deutlich länger gedauert, und die Datensatzgröße war dafür nicht geeignet. Der Start von vortrainierten Gewichten und die Anpassung der letzten Schichten hielten den Vergleich fair und reproduzierbar.