The aim of the study is to create and evaluate a transfer learning model for multiclass classification of electric guitar types.
The work uses an open dataset consisting of 7 classes, 605 images. MobileNetV2 was used as the architecture, followed by the addition of global averaging, dropout, and fully connected output layers. The training is performed in two stages: first, only the classification heads, then the fine-tuning of the last 40 layers. Data augmentation has been applied to increase generalizing ability.
The model achieved an accuracy of 73.77% on an independent test sample. The best metrics were shown by the Telecaster and Les Paul classes. The main errors occurred between visually similar pairs: ES and SG.
The results confirm the effectiveness of MobileNetV2 in small data tasks. The solution has practical implications for mobile applications, cataloging, and learning. In the future, it is planned to expand the dataset, use Grad-CAM and optimize the model for peripheral computing devices.
Целью исследования является создание и оценка модели на основе трансферного обучения для мультиклассовой классификации типов электрогитар.
В работе использован открытый датасет состоящий из 7 классов, 605 изображений. В качестве архитектуры применена MobileNetV2 с последующим добавлением слоёв глобального усреднения, дропаута и полносвязного выхода. Обучение выполнено в два этапа: сначала только головы классификации, затем fine-tuning последних 40 слоёв. Применена аугментация данных для повышения обобщающей способности.
Модель достигла точности 73,77% на независимой тестовой выборке. Наилучшие метрики показали классы Telecaster и Les Paul. Основные ошибки возникали между визуально схожими парами: ES и SG.
Результаты подтверждают эффективность MobileNetV2 в задачах с малыми данными. Решение имеет практическую значимость для мобильных приложений, каталогизации и обучения. В перспективе планируется расширение датасета, применение Grad-CAM и оптимизация модели для периферийных вычислительных устройств.