Kompletní end-to-end machine learning projekt demonstrující přechod od teoretického trénování modelu k reálnému nasazení. Aplikace využívá konvoluční síť (CNN) natrénovanou na datasetu Fashion MNIST k rozpoznávání typů oblečení v moderním uživatelském rozhraní. A complete end-to-end machine learning project demonstrating the transition from theoretical model training to real-world deployment. This application utilizes a Convolutional Neural Network (CNN) trained on the Fashion MNIST dataset to recognize clothing types within a modern graphical user interface.

Proč tento projekt vyčníváWhy this project stands out

Tento repozitář není jen dalším tutoriálem na MNIST. Zaměřuje se na inženýrské aspekty nasazení ML modelů: This repository isn't just another MNIST tutorial. It focuses on the engineering aspects of deploying ML models:

• Robustní Preprocessing:
  Model natrénovaný na Fashion MNIST očekává bílý objekt na černém pozadí. Aplikace automaticky provádí inverzi barev a převod do stupňů šedi pro nahrané fotografie, aby zajistila vysokou přesnost. The model expects a white object on a perfectly black background. The app automatically implements color inversion and grayscale conversion for uploaded photographs to ensure high inference accuracy.
• Uživatelsky přívětivá inference:
  Aplikace obsahuje tlačítko "RANDOM SAMPLE", které okamžitě vybere náhodný obrázek z testovací sady, provede predikci a zobrazí "Ground Truth" pro ověření. The app features a "RANDOM SAMPLE" button that instantly selects a random image from the test set, performs prediction, and displays the "Ground Truth".
• Moderní UI/UX:
  Moderní, tmavý "bezokrajový" dashboard se zaoblenými rohy a dynamickými prvky (progress bar pro jistotu modelu, barevně odlišené výsledky). A modern, dark, "borderless" dashboard with rounded corners and dynamic elements (confidence progress bar, color-coded results).
• Profesionální MLOps:
  Trénovací pipeline zahrnuje automatické ukládání checkpointů, dynamické plánování rychlosti učení a komplexní logování přes TensorBoard a Weights & Biases. The training pipeline includes automatic checkpoint saving, a dynamic learning rate scheduler, and comprehensive experiment tracking using TensorBoard and Weights & Biases.

Klíčové funkceFeatures

• Inference na jedno kliknutí:One-click Inference:
  Okamžité testování náhodných vzorků z datasetu. Instant testing of random samples from the dataset.
• Nahrávání vlastních fotek:Custom Photo Upload:
  Podpora pro standardní obrázky (JPG, PNG) s automatickým předzpracováním pro model. Support for standard image uploads (JPG, PNG) with automatic preprocessing for the model.
• Dynamická vizualizace:Dynamic Visualization:
  Náhled obrázku (28x28 pixelů zvětšených pro UI) a grafické znázornění jistoty modelu. Image preview (28x28 pixels scaled up for the UI) and graphical representation of model confidence.
• Kompletní MLOps integrace:Complete MLOps Integration:
  Trénujte, sleduujte a spravujte modely jako profesionál. Train, monitor, and manage models like a professional.

Struktura projektuProject Structure

fashion_classifier/
├── data/                  # Automatically generated (dataset, models, logs)
├── src/
│   ├── app.py             # Main GUI application (CustomTkinter)
│   ├── model.py           # CNN architecture definition
│   ├── train.py           # Training configuration and entry point
│   └── trainer.py         # Encapsulated training loop and logging
├── requirements.txt
└── README.md

Rychlý startQuick Start

Doporučuje se použít virtuální prostředí (venv/conda). It is recommended to use a virtual environment (venv/conda).

1. Instalace závislostí1. Install Dependencies

pip install -r requirements.txt

2. Trénování modelu2. Train the Model (Fashion MNIST)

Spusťte trénovací pipeline. Skript automaticky stáhne dataset, inicializuje W&B a uloží nejlepší váhy. Run the training pipeline. The script will automatically download the dataset, initialize Weights & Biases, and save the best model.

python src/train.py

3. Spuštění aplikace3. Run the Application

Jakmile je model natrénován, spusťte vizuální dashboard. Once the model is trained, launch the visual dashboard.

python src/app.py

Detail modeluModel Details

Síť je lehká CNN navržená pro rychlou inferenci i na CPU. Extrahování příznaků obstarávají 2 konvoluční bloky mapující 1 kanál na 32 kanálů. Klasifikátor poté převádí příznaky přes skrytou vrstvu se 128 neurony na výstup pro 10 tříd oblečení. The network is a lightweight CNN designed for fast inference even on a CPU. The Feature Extractor maps 1 channel to 32 channels via 2 Convolutional blocks. The Classifier then flattens the features into a hidden layer with 128 neurons, outputting to 10 clothing class logits.

import torch.nn as nn

class FashionClassifierCNN(nn.Module):
    def __init__(self):
        super().__init__()
        
        # Feature Extractor: 1 channel -> 32 channels
        self.features = nn.Sequential(
            nn.Conv2d(1, 16, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2),
            nn.Conv2d(16, 32, kernel_size=3, padding=1),
            nn.ReLU(),
            nn.MaxPool2d(2)
        )
        
        # Classifier: Flatten -> 128 hidden neurons -> 10 clothing logits
        self.classifier = nn.Sequential(
            nn.Flatten(),
            nn.Linear(32 * 7 * 7, 128),
            nn.ReLU(),
            nn.Linear(128, 10)
        )

    def forward(self, x):
        return self.classifier(self.features(x))

Logování a sledováníExperiment Tracking

Všechny trénovací běhy jsou automaticky logovány. Křivky ztrátové funkce a metrik můžete sledovat lokálně pomocí TensorBoardu: All training runs are automatically logged. You can view the loss curves and accuracy metrics locally using TensorBoard:

tensorboard --logdir data/runs

Případně si je můžete zobrazit v cloudových dashboardech vašeho účtu Weights & Biases. Or view your rich dashboards in the cloud via your Weights & Biases account.