1
Doel: Beste architectuur identificeren
Aanpak:
• 4 verschillende CNN architecturen
• Snelle 3-epoch training
• Validation accuracy vergelijking
• Training tijd meting
• Efficiency score berekening
Technieken:
• Transfer learning (ImageNet)
• Data augmentation
• Class weight balancing
Metric: Validation Accuracy
Winner: EfficientNetB0 (84.5%)
→
2
Doel: Maximale prestaties uit gekozen model
Aanpak:
• 15 epochs uitgebreide training
• Advanced callbacks systeem
• Learning rate scheduling
• Model checkpointing
• Overfitting preventie
Callbacks:
• Early stopping (patience=8)
• ReduceLROnPlateau
• ModelCheckpoint (best weights)
Verbetering: 84.5% → 88.5%
Gain: +4.0 procentpunten
→
3
Doel: Laatste performance boost
Aanpak:
• Strategic layer unfreezing (25%)
• Zeer lage learning rate (0.0001)
• 20 epochs met patience=5
• Overfitting monitoring
• Conservatieve optimalisatie
Strategie:
• Alleen laatste 60 layers trainable
• Agressieve early stopping
• Overfitting protection via min_delta=0.002
Finale: 88.5% → 91.3%
Total gain: +6.8 procentpunten