Table of Contents[Veşartin][Rêdan]
Em dilnizm e ku em zanibin ku me kariye ku robotan bi kapasîteyên xwe yên cewherî veguhezînin da ku bi mînakan fêr bibin û derdorên xwe fam bikin. Pirsgirêka bingehîn ew e ku ew fêrî komputeran dikin ku "bibînin" mîna mirovan dê pir zêdetir dem û hewl bidin.
Lêbelê, gava ku em nirxa pratîkî ya ku ev jêhatîbûn naha ji rêxistin û pargîdaniyan re peyda dike bifikirin, hewldan hêja ye. Di vê gotarê de, hûn ê li ser dabeşkirina wêneyê, ka ew çawa dixebite, û pêkanîna wê ya pratîkî fêr bibin. Were em destpêkin.
Tesnîfkirina wêneyê çi ye?
Karê xwarina wêneyekî nav a torê neural û ku ew ji bo wê wêneyê hin formek etîketê derdixe wekî naskirina wêneyê tê zanîn. Etîketa derana torê dê bi çînek ji berê ve diyarkirî re têkildar be.
Dibe ku gelek ders ji wêneyê re, an jî tenê yek, werin veqetandin. Dema ku tenê çînek hebe, têgîna "naskirin" pir caran tê bikar anîn, lê dema ku pir çîn hebin, têgîna "tebeqkirin" pir caran tê bikar anîn.
Object detection Binkomek dabeşkirina wêneyan e ku tê de mînakên taybetî yên tiştan wekî aîdî çînek diyarkirî wekî heywan, wesayît an mirov têne tespît kirin.
Dabeşkirina wêneyê çawa dixebite?
Wêneyek di forma pixelan de ji hêla komputerê ve tê analîz kirin. Ew vê yekê pêk tîne bi girtina wêneyê wekî berhevokek matrican, ku mezinahiya wan ji hêla çareseriya wêneyê ve tê destnîşankirin. Bi tenê, dabeşkirina wêneyê lêkolîna daneyên statîstîkî ye ku algorîtmayan ji perspektîfa komputerek bikar tîne.
Dabeşkirina wêneyê di hilberandina wêneya dîjîtal de bi komkirina pîxelan di komên pêşwext, an jî "polan" de pêk tê. Algorîtmayan wêneyê li rêzek taybetmendiyên berbiçav dabeş dikin, ku barê ji bo dabeşkera paşîn kêm dike.
Van taybetmendiyan li ser wateya wêneyê û dabeşkirina potansiyel dabeşker agahdar dikin. Ji ber ku pêvajoyên mayî yên di tesnîfkirina wêneyekê de bi wê ve girêdayî ne, rêbaza derxistina taybetmendiyê qonaxa herî krîtîk e.
Ew daneyên pêşkêş kirin ji algorîtmayê re di dabeşkirina wêneyê de, nemaze dabeşkirina çavdêrîkirî, di heman demê de pir girîng e. Li beramberî danehevek tirsnak bi bêhevsengiya daneyê ya li ser bingeha çîn û kalîteya wêne û şîrovekirinê ya kêm, danehevek dabeşkirina baş-optimîzekirî bi heybet pêk tê.
Dabeşkirina wêneyê bi karanîna Tensorflow & Keras di python de
Em ê bikar bînin CIFAR-10 databas (ku balafir, balafir, çûk, û 7 tiştên din tê de hene).
1. Sazkirina Pêdiviyên
Koda jêrîn dê hemî şertan saz bike.
2. Importing dependencies
Di Python de pelek train.py çêbikin. Koda jêrîn dê girêdayîbûna Tensorflow û Keras bike.
3. Parametreyên destpêkê
CIFAR-10 tenê 10 kategoriyên wêneyan vedigire, ji ber vê yekê çînên num bi tenê hejmara kategoriyên ku têne dabeş kirin vedibêjin.
4. Barkirina databasê
Fonksiyon modula Tensorflow Datasets bikar tîne da ku databasê bar bike, û me agahdarî li True danîn da ku derheqê wê de hin agahdarî bistînin. Hûn dikarin wê çap bikin da ku bibînin ka zevî û nirxên wan çi ne, û em ê agahiyê bikar bînin da ku hejmara nimûneyên di berhevokên perwerdehî û ceribandinê de bistînin.
5. Afirandina modelê
Naha em ê sê qatan ava bikin, ku her yek ji du ConvNet-an pêk tê bi fonksiyonek aktîvkirina max-pooling û ReLU, li dûv wê jî pergalek yekîneya 1024-ê bi tevahî ve girêdayî ye. Li gorî ResNet50 an Xception, ku modelên herî pêşkeftî ne, dibe ku ev modelek piçûktir be.
6. Perwerdekirina modela
Min Tensorboard bikar anî da ku di her serdemê de rastbûn û windabûnê bipîve û piştî ku daneyan û modelê hildiberîne pêşandanek delal peyda dike. Koda jêrîn bicîh bikin; Li gorî CPU / GPU-ya we, perwerde dê çend hûrdem bigire.
Ji bo ku tensorboard bikar bînin, tenê di pelrêça heyî de emrê jêrîn di termînalê de an fermana fermanê binivîsin:
Hûn ê bibînin ku windabûna pejirandinê kêm dibe û rastbûn bi qasî 81% zêde dibe. Ev fantastîk e!
Modela ceribandinê
Dema ku perwerde qediya, modela dawîn û giranî di peldanka encaman de têne tomar kirin, dihêlin ku em carekê perwerde bikin û gava ku em hilbijêrin pêşbîniyan bikin. Di pelek nû ya python de bi navê test.py kodê bişopînin.
7. Importing utilities ji bo ceribandinê
8. Çêkirina pelrêça python
Ferhengek Python çêkin ku her nirxek yekjimar wergerîne etîketa guncaw a databasê:
9. Daneyên testê & modela barkirin
Koda jêrîn dê data û modela testê bar bike.
10. Nirxandin & Pêşbînî
Koda jêrîn dê li ser wêneyên beqan binirxîne û pêşbîniyan bike.
11. Encam
Modelê beq bi 80.62% rastbûna pêşbînî kir.
Xelasî
Baş e, em bi vê dersê qediyan. Dema ku 80.62% ji bo CNNek piçûk ne baş e, ez bi tundî ji we re şîret dikim ku hûn modelê biguhezînin an ji bo encamên çêtir li ResNet50, Xception, an modelên din ên pêşkeftî binêrin.
Naha ku we tora xweya yekem a naskirina wêneyê li Keras ava kiriye, divê hûn bi modelê biceribînin da ku kifş bikin ka pîvanên cihêreng çawa bandorê li performansa wê dikin.
Leave a Reply