inception v3 예제

피해야 할 또 다른 함정은 레이블이 붙은 이미지가 서로 공통점이 있는 모든 것을 학습 프로세스에서 선택한다는 것입니다. 예를 들어 파란색 룸에서 한 종류의 객체를 촬영하고 다른 종류의 오브젝트를 녹색으로 촬영하는 경우 모델은 실제로 관심 있는 개체의 특징이 아니라 배경색에 대한 예측을 기반으로 합니다. 이를 방지하려면 가능한 한 다양한 상황에서, 다른 시간에, 그리고 다른 장치로 사진을 찍으려고 합니다. Keras는 모델의 `쉽고 빠른`사용을 허용합니다: 예. Inception-v3는 93.9%의 Top-5 정확도를 가진 텐서플로우에 대한 학습된 이미지 인식 모델입니다. Inception v3는 ImageNet 데이터 집합에서 78.1% 이상의 정확도를 달성하는 것으로 널리 사용되는 이미지 인식 모델입니다. 이 모델은 수년에 걸쳐 여러 연구자들이 개발한 많은 아이디어의 정점입니다. 그것은 원래 의 논문을 기반으로: “컴퓨터 비전을위한 시작 아키텍처를 재고” Szegedy에 의해, 등. 알. 사용하는 범주에 대해 생각해 볼 수도 있습니다. 많은 다른 물리적 형태를 포함하는 큰 범주를 시각적으로 구별되는 작은 범주로 분할하는 것이 좋습니다. 예를 들어 `차량` 대신 `자동차`, `오토바이`, `트럭`을 사용할 수 있습니다.

또한 `폐쇄된 세상`인지 `오픈 월드` 문제가 있는지 에 대해 서도 생각해 볼 가치가 있습니다. 닫힌 세상에서 분류하라는 메시지가 표시됩니다. 이것은 사용자가 꽃의 사진을 찍을 가능성이 알고 있는 식물 인식 앱에 적용될 수 있으므로 어떤 종을 결정하기만 하면 됩니다. 대조적으로 로밍 로봇은 전 세계를 돌아다니면서 카메라를 통해 모든 종류의 다른 것을 볼 수 있습니다. 이 경우 분류자가 표시되는 내용을 잘 모르는 경우 보고할 수 있습니다. 이는 잘 하기 어려울 수 있지만 관련 개체가 없는 많은 수의 일반적인 `배경` 사진을 수집하는 경우 이미지 폴더의 추가 `알 수 없는` 클래스에 추가할 수 있습니다. 함수 distort_color_fast는 계산 효율이 있으며 여전히 TPU 실행 시간 바인딩할 수 있습니다. 또한, 좋은 결과를 산출하고 1,024에서 16,384 범위의 배치 크기를 사용하여 Inception v3 모델을 78.1 % 이상의 정확도로 성공적으로 훈련하는 데 사용되었습니다.

This entry was posted in Uncategorized. Bookmark the permalink.

Fatal error: Cannot redeclare class walker in /home/content/90/8606590/html/booksnboots/wp-content/themes/teentouch/comments.php on line 10