Обучение Inception в Google распознаванию пользовательских изображений |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-10-29 08:20 Ищете краткое руководство по обучению классификатора пользовательских изображений? С помощью Inception API от Google Brain с этой задачей можно справиться быстрее, чем выпить чашку кофе. В этом руководстве мы рассмотрим создание критических параметров (bottlenecks) для модели Inception. Критические параметры—это пользовательские слои над предварительно обученной моделью с меньшим количеством нейронов, чем в слоях под ними. Обучим Inception классификации и распознаванию четырех супер героев (Spider-Man, Superman, Batman и Wonder Woman). Приступим! ТРЕБОВАНИЯ: 1) Python (>> v3.0) 2) Tensorflow (в этом руководстве используется v1.7) Для скачивания используйте следующую команду: Обновить до версии 1.7v можно с помощью: 3) Git (установите “GIT” в системе, поскольку в этом руководстве понадобится Git bash) 4) Изображения (понадобится много изображений, поскольку большее количество увеличивает точность) Для этого можно использовать расширение Chrome (Fatkun batch). 5) А также репозиторий со всеми необходимыми сценариями. Для получения результата выполним следующие шаги: 1. Скачайте репозиторий по ссылке. Теперь создайте папки по категориям изображений и поместите их в папку (tf_files). · Создайте папку “Super’’ в “tf_files’’ · Затем поместите отмеченную папку с изображениями в папку “super”. 1) C: >> tensorflow-for-poets-2 >> tf_files 2) Изображения находятся в отмеченной папке. Аналогичным образом можно разместить изображения любой категории и отметить их для обучения критического параметра. 2. Получение доступа к каталогу проекта в GIT Bash Теперь откройте “GIT BASH ” в папке “tensorflow-for-poets-2” или на рабочем столе, а затем перейдите к папке. 3. Получение доступа к retrain.py Мы находимся в папке (C:/ tensorflow-for-poets-2) Теперь перейдем к переобучению модели inception с помощью сценария “retrain.py”. · Настроим MobileNet. (MobileNet—это небольшая эффективная сверточная нейронная сеть). Настроить можно двумя способами: · Ввод разрешения изображений: 128,160,192 или 224px (Использование изображений высокого разрешения увеличивает продолжительность обработки, однако приводит к лучшей точности классификации); · Условный размер модели в качестве доли наибольшей MobileNet: 1.0, 0.75, 0.50 или 0.25. Используем 224px и 0.5. 4. Дополнительный шаг (для тех, кто заинтересован в полном изучении реализации процесса и хочет увидеть графики и визуализацию). Запустите tensorboard в фоновом режиме tensorboard --logdir tf_files/training_summaries & (TensorBoard—это инструмент для контроля и проверки в tensorflow) 5. Теперь запускаем сценарий retrain.py · Путь для создания критических параметров определен в tf_file/bottleneck. · Следующей строкой определяем необходимое количество шагов. При удалении этой строки значение по умолчанию составит 4000 обучающих шагов. · Аналогичным образом предоставляем путь для создания retrain_graph.pb, retrained_labels.txt. · И последней строкой указываем каталог изображений в качестве папки “super”, находящейся внутри tf_files. · При запуске этого блока начинается переобучение. Это займет некоторое время. При остановке на каком-либо изображении удалите это изображение и запустите вышеуказанный код снова. В результате получаем следующее: Здесь использовалось 500 тренировочных шагов, которые можно увеличить для повышения точности. При количестве 500 шагов точность составляет 87,92%. 6. Тестирование Финальный шаг— тестирование модели с помощью случайных изображений, подходящих под данные категории. Для тестирования используем “label.py script”. Поместите изображение для тестирования в папке tf_files. Убедитесь, что установили правильное название и расширение изображения. Например: flower.jpg, superman.jpg · Несколько результатов: Получаем неплохие результаты. Поскольку диаграммы и графики для обучающего процесса уже созданы, можно просмотреть tensorboard, работающий на localhost порте 8080. · График точности Вот и все ?. Перевод статьи ANKIT BHADORIYA: Training Google Inception for Custom Images in Less Than 5 Minutes Ещё больше статей по машинному обучению Источник: nuancesprog.ru Комментарии: |
|