Преглед садржаја[Сакрити][Прикажи]
- Шта је класификација слика?
- Како функционише класификација слика?
Класификација слика коришћењем Тенсорфлов & Кераса у Питхон-у+-
- 1. Захтеви за инсталирање
- 2. Увоз зависности
- 3. Иницијализација параметара
- 4. Учитавање скупа података
- 5. Креирање модела
- 6. Обука модела
- Тестирање модела
- 7. Увоз услужних програма за тестирање
- 8. Прављење питхон директоријума
- 9. Учитавање тестних података и модела
- 10. Евалуација и предвиђање
- КСНУМКС. Резултати
- Zakljucak
Охрабрујуће је знати да смо успели да прожемо роботе нашим урођеним способностима да уче примером и да опажају своју околину. Основни изазов је учење рачунара да „виде“ као што би људима требало много више времена и труда.
Међутим, када узмемо у обзир практичну вредност коју ова вештина тренутно пружа организацијама и предузећима, труд је вредан труда. У овом чланку ћете научити о класификацији слика, како она функционише и њеној практичној примени. Почнимо.
Шта је класификација слика?
Посао уношења слике у а неуронска мрежа и то да избаци неки облик ознаке за ту слику је познато као препознавање слике. Ознака излаза мреже ће одговарати унапред дефинисаној класи.
Слици могу бити додељене бројне класе или једноставно једна. Када постоји само једна класа, термин „препознавање” се често користи, док када постоји више класа, термин „класификација” се често користи.
Откривање предмета је подскуп класификације слика у којој се откривају да одређени предмети припадају датој класи као што су животиње, возила или људи.
Како функционише класификација слика?
Рачунар анализира слику у облику пиксела. То постиже тако што слику третира као колекцију матрица, чија је величина одређена резолуцијом слике. Једноставно говорећи, класификација слика је проучавање статистичких података користећи алгоритме из перспективе рачунара.
Класификација слика се постиже у дигиталној обради слике груписањем пиксела у унапред одређене групе или „класе“. Алгоритми деле слику на низ значајних карактеристика, што смањује оптерећење за коначни класификатор.
Ови квалитети обавештавају класификатора о значењу слике и потенцијалној класификацији. Пошто остали процеси у класификацији слике зависе од ње, карактеристична метода екстракције је најкритичнија фаза.
достављени подаци алгоритам је такође кључан у класификацији слика, посебно надзираној класификацији. У поређењу са ужасним скупом података са неравнотежом података заснованом на класи и ниском квалитету слике и напомена, добро оптимизован скуп података за класификацију има изузетан учинак.
Класификација слика коришћењем Тенсорфлов & Кераса у Питхон-у
Користићемо ЦИФАР-10 скуп података (који укључује авионе, авионе, птице и друге 7 ствари).
1. Захтеви за инсталирање
Код испод ће инсталирати све предуслове.
2. Увоз зависности
Направите датотеку траин.пи у Питхон-у. Код у наставку ће увести Тенсорфлов и Керас зависности.
3. Иницијализација параметара
ЦИФАР-10 укључује само 10 категорија слика, па се број класа једноставно односи на број категорија које треба класификовати.
4. Учитавање скупа података
Функција користи модул Тенсорфлов Датасетс за учитавање скупа података, а ми постављамо са информацијама на Тачно да бисмо добили неке информације о томе. Можете да га одштампате да бисте видели која су поља и њихове вредности, а ми ћемо користити информације за преузимање броја узорака у сетовима за обуку и тестирање.
5. Креирање модела
Сада ћемо изградити три слоја, од којих се сваки састоји од две ЦонвНет-а са максималним обједињавањем и функцијом активације РеЛУ, након чега следи потпуно повезан систем од 1024 јединице. У поређењу са РесНет50 или Ксцептион, који су најсавременији модели, ово би могао бити релативно мали модел.
6. Обука модела
Користио сам Тенсорбоард да измерим тачност и губитак у свакој епохи и пружим нам диван приказ након увоза података и генерисања модела. Покрените следећи код; у зависности од вашег ЦПУ/ГПУ-а, обука ће трајати неколико минута.
Да бисте користили тензорбоард, само унесите следећу команду у терминал или командну линију у тренутном директоријуму:
Видећете да се губитак валидације смањује, а прецизност расте на око 81%. То је фантастично!
Тестирање модела
Када се обука заврши, коначни модел и тежине се чувају у фасцикли са резултатима, што нам омогућава да тренирамо једном и правимо предвиђања кад год желимо. Пратите код у новој Питхон датотеци под називом тест.пи.
7. Увоз услужних програма за тестирање
8. Прављење питхон директоријума
Направите Питхон речник који преводи сваку целобројну вредност у одговарајућу ознаку скупа података:
9. Учитавање тестних података и модела
Следећи код ће учитати тест податке и модел.
10. Евалуација и предвиђање
Следећи код ће проценити и предвидети слике жаба.
КСНУМКС. Резултати
Модел је предвидео жабу са тачношћу од 80.62%.
Zakljucak
У реду, завршили смо са овом лекцијом. Иако 80.62% није добро за мали ЦНН, топло вам саветујем да промените модел или погледате РесНет50, Ксцептион или друге најсавременије моделе за боље резултате.
Сада када сте изградили своју прву мрежу за препознавање слика у Керасу, требало би да експериментишете са моделом да бисте открили како различити параметри утичу на његове перформансе.
Ostavite komentar