Teknologian jakaminen

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1. Sisältö

• Algoritmimallien esittely
• Mallin käytön koulutus
• Mallin arviointi
• Projektin laajennus

2. Johdatus algoritmimalliin

Kuvantunnistus on tärkeä tutkimussuunta tietokonenäön alalla Sillä on laajat sovellukset esimerkiksi kasvojentunnistuksessa, esineiden tunnistuksessa ja kuvien luokittelussa. Mobiililaitteiden suosion ja laskentaresurssien rajoitusten myötä tehokkaiden kuvantunnistusalgoritmien suunnittelusta on tullut erityisen tärkeää. MobileNetV2 on kevyt konvoluutiohermoverkkomalli, jonka Google-tiimi ehdotti vuonna 2018. Sen tavoitteena on vähentää huomattavasti mallin parametrien määrää ja laskennallista monimutkaisuutta säilyttäen samalla tarkkuuden, mikä tekee siitä sopivan mobiililaitteisiin ja sulautettuihin järjestelmiin sekä muihin resurssirajoituksiin skenaarioita.

tausta:

MobileNetV2 on MobileNet-sarjan toisen sukupolven malli, joka on sarja kevyitä konvoluutiohermoverkkoja, jotka Google-tiimi on kehittänyt erityisesti mobiililaitteita ja sulautettuja järjestelmiä varten. MobileNetV2 on parannettu versio MobileNetV1:stä, joka parantaa entisestään mallin tarkkuutta ja tehokkuutta säilyttäen samalla kevyet ominaisuudet.

MobileNetV2-algoritmia ehdotettiin ratkaisemaan perinteisten konvoluutiohermoverkkojen huonon suorituskyvyn ongelma mobiililaitteissa, kuten suuri määrä laskentaa ja parametrien määrä, mikä johtaa siihen, että malli ei pysty toimimaan tehokkaasti resurssirajoitteisissa ympäristöissä.

periaate:

MobileNetV2-algoritmi saavuttaa tehokkaan kuvantunnistuksen useiden teknisten strategioiden avulla. sisältää pääasiassa:

1. Perusrakennuspalikka: käännetty jäännösrakenne

MobileNetV2 käyttää perusrakennuspalikoita nimeltä "käänteinen jäännösrakenne", eli käänteinen jäännöslohko. Tämä rakenne on päinvastainen perinteiselle jäännöslohkolle, sillä ensin pienennetään mittaa (käyttäen 1x1 konvoluutiota kanavien lukumäärän vähentämiseksi) ja sitten lisätään mittaa (käyttäen 3x3 syvyydeltään erotettavaa konvoluutiota lisätäksesi kanavien määrää) saavuttaakseen keveyden ja mallin. monimutkaisuuden vähentäminen.

2. Aktivointitoiminto: lineaarinen tasasuuntaajan lineaarinen yksikkö (ReLU6)

MobileNetV2 käyttää ReLU6:ta aktivointitoimintona Perinteiseen ReLU-toimintoon verrattuna ReLU6 antaa arvon 0 negatiivisessa osassa ja maksimiarvon 6 positiivisessa osassa, mikä tekee mallista helpommin koulutettavan ja kestävämmän.

3. Syvyydessä erotettava konvoluutio

MobileNetV2 käyttää laajasti syvyyssuuntaista erotettavaa konvoluutiota (Depthwise Separable Convolution) hajottaakseen vakiokonvoluutiooperaatiot syvyyskonvoluutioon ja pistekohtaiseen konvoluutioon, mikä vähentää huomattavasti laskennan määrää ja parametrien määrää.

4. Verkkoarkkitehtuurin suunnittelu

MobileNetV2 rakentaa verkon ottamalla käyttöön useita eri resoluutioilla varustettuja ominaisuuskarttoja. Käyttämällä näitä piirrekarttoja eri tasoilla verkko voi oppia kuvien semanttiset ominaisuudet eri mittakaavassa, mikä parantaa kuvantunnistuksen tarkkuutta.

sovellus:

MobileNetV2:ta käytetään laajalti kuvantunnistustehtävissä mobiililaitteissa ja sulautetuissa järjestelmissä sen kevyiden ominaisuuksien ja tehokkaiden laskentaominaisuuksien ansiosta. Käytännön sovelluksissa voimme käyttää valmiiksi koulutettua MobileNetV2-mallia ja siirtää sen tiettyihin kuvantunnistustehtäviin, jolloin saavutetaan laadukas kuvantunnistus rajallisilla resursseilla.

MobileNetV2 on suoriutunut hyvin sellaisissa tehtävissä kuin kuvien luokittelu, kohteen havaitseminen ja kasvojen tunnistus, ja siitä on tullut yksi suosituimmista mobiilikuvantunnistuksen algoritmeista.

3. Mallin käyttö ja koulutus

Tässä artikkelissa on valittu viisi yleistä hedelmätietojoukkoa kuvantunnistuksen luokittelujärjestelmän toteuttamisen osoittamiseksi. Kansiorakenne on esitetty alla olevassa kuvassa.

Edellinen Seuraava