作为一名学生，我亲眼目睹了我们大学低效的失物招领系统所带来的挫败感。目前的流程依赖于每个找到的物品的单独电子邮件，通常会导致丢失物品与其所有者之间的延误和错过联系。
出于为自己和同学改善这种体验的愿望，我开始了一个项目，探索深度学习在彻底改变我们的失物招领系统方面的潜力。 在这篇博文中，我将分享我评估预训练模型（ResNet、EfficientNet、VGG 和 NasNet）的旅程，以自动识别和分类丢失的物品。
通过比较分析，我的目标是找出最适合集成到我们系统中的模型，最终为校园里的每个人创造更快、更准确、用户友好的失物招领体验。
Inception-ResNet V2 是 Keras 中提供的强大的卷积神经网络架构，将 Inception 架构的优势与 ResNet 的残差连接相结合。该混合模型旨在在保持计算效率的同时实现图像分类任务的高精度。
训练数据集：ImageNet
图像格式：299 x 299
def readyForResNet(fileName):
pic = load_img(fileName, target_size=(299, 299))
pic_array = img_to_array(pic)
expanded = np.expand_dims(pic_array, axis=0)
return preprocess_input_resnet(expanded)
data1 = readyForResNet(test_file) prediction = inception_model_resnet.predict(data1) res1 = decode_predictions_resnet(prediction, top=2)
VGG（视觉几何组）是一系列深度卷积神经网络架构，以其在图像分类任务中的简单性和有效性而闻名。这些模型，特别是 VGG16 和 VGG19，由于在 2014 年 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中的出色表现而受到欢迎。
训练数据集：ImageNet
图像格式：224 x 224
def readyForVGG(fileName):
pic = load_img(fileName, target_size=(224, 224))
pic_array = img_to_array(pic)
expanded = np.expand_dims(pic_array, axis=0)
return preprocess_input_vgg19(expanded)
data2 = readyForVGG(test_file) prediction = inception_model_vgg19.predict(data2) res2 = decode_predictions_vgg19(prediction, top=2)
EfficientNet 是一系列卷积神经网络架构，可在图像分类任务上实现最先进的准确性，同时比以前的模型更小、速度更快。这种效率是通过平衡网络深度、宽度和分辨率的新型复合缩放方法来实现的。
训练数据集：ImageNet
图像格式：480 x 480
def readyForEF(fileName):
pic = load_img(fileName, target_size=(480, 480))
pic_array = img_to_array(pic)
expanded = np.expand_dims(pic_array, axis=0)
return preprocess_input_EF(expanded)
data3 = readyForEF(test_file) prediction = inception_model_EF.predict(data3) res3 = decode_predictions_EF(prediction, top=2)
NasNet（神经架构搜索网络）代表了深度学习中的一种突破性方法，其中神经网络本身的架构是通过自动搜索过程发现的。此搜索过程旨在找到层和连接的最佳组合，以在给定任务上实现高性能。
训练数据集：ImageNet
图像格式：224 x 224
def readyForNN(fileName):
pic = load_img(fileName, target_size=(224, 224))
pic_array = img_to_array(pic)
expanded = np.expand_dims(pic_array, axis=0)
return preprocess_input_NN(expanded)
data4 = readyForNN(test_file) prediction = inception_model_NN.predict(data4) res4 = decode_predictions_NN(prediction, top=2)
该表总结了上述模型声称的准确性分数。 EfficientNet B7 以最高的准确率领先，紧随其后的是 NasNet-Large 和 Inception-ResNet V2。 VGG 模型的精度较低。对于我的应用程序，我想选择一个在处理时间和准确性之间取得平衡的模型。
正如我们所见，EfficientNetB0 为我们提供了最快的结果，但考虑到准确性，InceptionResNetV2 是一个更好的包
对于我的智能失物招领系统，我决定使用 InceptionResNetV2。虽然 EfficientNet B7 以其一流的准确性看起来很诱人，但我担心它的计算需求。在大学环境中，资源可能有限，而实时性能往往是可取的，我认为在准确性和效率之间取得平衡很重要。 InceptionResNetV2 似乎是完美的选择 - 它提供了强大的性能，而又不会过度计算密集。
此外，它在 ImageNet 上进行预训练的事实让我相信它可以处理人们可能丢失的各种物体。我们不要忘记在 Keras 中使用是多么容易！这确实让我的决定变得更容易。
总体而言，我相信 InceptionResNetV2 为我的项目提供了准确性、效率和实用性的正确组合。我很高兴看到它如何帮助丢失的物品与失主重新团聚！
以上是ResNet、EfficientNet、VGG、NN的详细内容。更多信息请关注PHP中文网其他相关文章！
