Brand Classifier

Meskipun Kerangka Kerja Klasifikasi Logo Brand Berbasis MobileNetV2 + FastAPI Saat Ini Dilatih Untuk Logo Mobil, Namun Dapat Digunakan Juga Untuk Kasus Lain Yang Lebih Luas. Seperti, Mengenali Logo Brand Populer Dari Berbagai Bidang/Sektor Global (F&B, Finance, Fashion, dan Sebagainya) Cukup Dengan Menyesuaikan Datasetnya.

Dataset: Car Brand Logos - 8 Kelas: Hyundai, Lexus, Mazda, Mercedes, Opel, Skoda, Toyota, Volkswagen.

Fitur

• Transfer Learning MobileNetV2 + Fine-Tuning Opsional.
• Deteksi Struktur Dataset Otomatis (Train/Test atau Folder Per Kelas).
• REST API: Prediksi Top-3 dan Metrik Evaluasi.
• Web Interface: Upload Gambar, Akurasi + Confusion Matrix.
• Normalisasi Piksel Konsisten (-1..1) Antara Rraining dan Inferensi.

Hasil

Tahap	Akurasi	Loss
Head Only	0.7100	1.2015
+ Fine-Tuning	0.8175	1.0545

Struktur

car-brand-classifier/
├─ backend/
│  ├─ config.py          # Konstanta & Hyperparameter
│  ├─ preprocessing.py   # Preprocessing Gambar (-1..1)
│  ├─ dataset.py         # Scan Folder, Split, tf.data Pipeline
│  ├─ metrics.py         # Confusion Matrix & Precision/Recall/F1
│  ├─ train.py           # Training + Fine-Tuning + Tulis metrics.json
│  ├─ evaluate.py        # Hitung Ulang Metrik Dari Model Tersimpan
│  ├─ predictor.py       # Inferensi Top-K
│  ├─ main.py            # FastAPI: /health /classes /metrics /predict
│  ├─ requirements.txt
│  ├─ models/            # Artefak Hasil Training (model.keras, *.json)
│  └─ tests/             # Unit Test (Tanpa TensorFlow)
├─ frontend/             # index.html, css/, js/
└─ dataset/              # Diisi sendiri (Lihat "Dataset")

Instalasi

cd backend
python -m venv .venv
# Linux/Mac: source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt

Dataset

Dataset Tidak Disertakan Dalam Repo. Download Lalu Ekstrak Ke dataset/:

pip install kaggle
kaggle datasets download -d volkandl/car-brand-logos -p dataset --unzip

dataset/
└─ Car_Brand_Logos/
   ├─ Train/<brand>/*.jpg
   └─ Test/<brand>/*.jpg

Jika Hanya Tersedia Subfolder Per Kelas Tanpa `Train/Test`, Data Dibagi Otomatis Secara Stratified. Lokasi Dataset Dapat Ditimpa Lewat Variabel Lingkungan `IMAGES_DIR`.

Penggunaan

Training

cd backend
python train.py --fine-tune-at 30 --fine-tune-epochs 10

Menghasilkan models/model.keras, models/class_indices.json, dan models/metrics.json.

Argumen Utama: --epochs, --batch-size, --learning-rate, --min-images-per-class, --fine-tune-at, --fine-tune-epochs, --val-split.

Evaluasi Ulang (Tanpa Melatih Ulang, Memperbarui metrics.json):

python evaluate.py

Menjalankan Server

uvicorn main:app --reload --port 8000

Buka http://127.0.0.1:8000

API

Method	Endpoint	Keterangan
GET	/health	Status API & kesiapan model
GET	/classes	Daftar kelas/brand yang dikenali
GET	/metrics	Akurasi, loss, confusion matrix, per-kelas
POST	/predict	Multipart file → prediksi Top-3

Contoh Respons /predict:

{
  "label": "toyota",
  "confidence": 0.93,
  "top_k": [
    { "label": "toyota", "confidence": 0.93 },
    { "label": "lexus", "confidence": 0.04 },
    { "label": "mazda", "confidence": 0.02 }
  ]
}

Pengujian

cd backend
python -m unittest discover -s tests -t .

Mencakup Preprocessing, Pemuatan Dataset, Metrik Evaluasi, dan Logika Predictor - Tanpa Memerlukan TensorFlow Maupun Dataset Asli.

Catatan

• Training Dan Inferensi Memakai Normalisasi 0..255 → -1..1 (Konvensi MobileNetV2). Bila Pernah Melatih Dengan Skema Lama (/255), Hapus models/Model.keras Dan models/Class_indices.json Sebelum Melatih Ulang.
• Pesan "GPU Support Is Not Available On Native Windows" Bersifat Informatif, Training Berjalan Di CPU. Untuk GPU Gunakan WSL2.

Tim

Lisensi

MIT.