Fruit & Vegetable Image Classification -تصنيف صور الفواكه والخضراوات

قمت بتطوير نموذج تصنيف صور متعدد الفئات (Multi-Class Classification) باستخدام شبكة عصبية التفافية (CNN) مبنية من الصفر لتصنيف الفواكه والخضروات إلى 36 فئة مختلفة بدقة عالية. المشروع يعتمد على بناء نموذج عميق قادر على استخراج الخصائص البصرية للصورة تدريجيًا للوصول إلى تصنيف دقيق ومستقر، مع مراعاة تقليل الـ Overfitting وتحقيق تعميم جيد على بيانات الاختبار. عمارية النموذج تم تصميم النموذج باستخدام: 5 Convolutional Blocks Conv2D Batch Normalization ReLU Activation MaxPooling Flatten Layer Dense Layer (256 وحدة) Dropout (0.3) Output Layer (Softmax – 36 فئة) تم تصميم المعمارية لاستخراج الخصائص البصرية بشكل هرمي مع الحفاظ على استقرار التدريب وتقليل التذبذب. إعدادات التدريب Optimizer: Adam Loss Function: Sparse Categorical Crossentropy Batch Size: 32 Epochs: 30 EarlyStopping (Patience = 5) لمنع الإفراط في التعلّم التحديات التي واجهتني وكيف تم حلها Overfitting استخدام Dropout إضافة Batch Normalization تطبيق EarlyStopping استقرار التدريب دمج Batch Normalization داخل كل convolution block تحسين النشر (Deployment) حفظ النموذج بصيغة model.h5 تجهيز Pipeline للتنبؤ بصورة واحدة ضبط إعادة تحجيم الصور ديناميكيًا داخل تطبيق Streamlit لنتائج دقة قوية على بيانات الاختبار تعميم جيد بين التدريب والتحقق استقرار في منحنيات الـ Loss و Accuracy نموذج قابل لإعادة الاستخدام في مشاريع Computer Vision مستقبلية