Reconnaissance de l'image en deene d'apprentissage: la classification des bananes Apple, sont-elles assez de 458 images?

Reconnaissance de l'image en deep Learning: Classification des pommes et des bananes, sont-elles assez de 458 images?

Cet article analyse l'exigence de taille de l'échantillon pour la reconnaissance des images Apple et Banana en utilisant l'apprentissage en profondeur. Dans un cas, en utilisant le modèle RESNET50, 195 images de bananes et 263 photos Apple (458 au total) ont été collectées respectivement. Après l'entraînement, toutes les photos ont été mal classées comme des bananes, ce qui a soulevé des questions sur la question de savoir si la taille de l'échantillon était suffisante.

Le modèle RESNET50 pré-formé a été utilisé dans le cas, et la dernière couche entièrement connectée a été ajustée pour la classification binaire. Le code comprend des techniques d'augmentation des données (telles que la culture aléatoire et le flip horizontal) et utilise un optimiseur SGD. Cependant, en raison des échantillons de formation limités et des capacités de généralisation insuffisantes du modèle, les résultats de prédiction sont gravement mauvais.

À ce problème, une alternative consiste à extraire les caractéristiques de l'image à l'aide du modèle VGG16 pré-formé, puis à utiliser ces fonctionnalités pour former un Perceptron multicouche à trois couches (MLP) pour la classification. Cette méthode estime que l'utilisation de la puissante capacité d'extraction de caractéristiques des modèles pré-formés peut réduire les exigences pour le nombre d'échantillons de formation, et des centaines d'images peuvent être suffisantes.

Par conséquent, dans le cas d'un volume de données limité, il est crucial de choisir la méthode d'architecture de modèle et d'extraction des fonctionnalités appropriée. Les grands réseaux de neurones convolutionnels (tels que RESNET50) sont sujets à une formation sur les petits ensembles de données, ce qui entraîne une mauvaise capacité de généralisation. L'utilisation de modèles pré-formés pour extraire les fonctionnalités puis s'entraîner peut atténuer efficacement ce problème et améliorer les performances du modèle.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!