2.3 深度學習開發任務實例

神經網絡模型的特點：端對端學習，解決了眾多非線性映射函數的學習問題

機器學習的特征是人工特征抽取學習線性組合，深度學習的特征是從原始特征出發自動學習高級特征組合

深度學習的特征提取方法：卷積

卷積滿足 ”線性性“ 與 ”平移不變性“，卷積神經網絡中的 ”卷積運算“ 本質是計算 ”相關性“

多隱層的深度神經網絡：學習的是神經元中的權重參數

深度學習開發實例

任務背景：自動駕駛行業近些年來逐漸火爆，計算機視覺在其中起到了非常重要的作用。某公司希望給其生產的玩具車賦予檢測交通標志的能力。希望能夠在模擬場景中識別常見交通標志。

任務目標：在玩具車前置攝像頭采集到的圖片中，檢測交通標志的具體位置

任務解析過程：明確數據采集需求、制作數據集、模型訓練、模型評測

計算機視覺的實際應用一般有以下特點：

樣本具象化：圖像是具體的表現形式，除了主體還包括背景、光照等信息

算法光線敏感：測光、背光等對算法效果會有不同程度的影響，如果訓練數據沒有某光照場景，模型就可能會在該場景下表現欠佳

理解硬件條件可能造成的圖片效果偏差：圖片數據采集過程中，由于硬件或工程組裝差別，可能會使圖片色散、模糊、角度變化等。如果數據集缺少相關數據，模型泛化性會較弱

客戶理解偏差：當前階段，不少客戶對計算機視覺領域的任務理解依然有偏差，如不理解光線對模型效果的影響，要介紹清楚

明確數據采集需求：

明確玩具車賽道的樣式，以及賽道上面有沒有與交通標志類似的圖案

明確模型使用場景與可能的光照情況

明確交通標志傾斜的角度范圍

明確待識別的交通標志有哪些

明確檢測的范圍

明確需要檢測的最小交通標志

明確圖像的模糊程度

明確設備是否有色差

制作數據集：

數據采集：

采集注意點：采集圖片時應注意使用真實玩具車、覆蓋不同的場景、覆蓋所有的交通標志

采集數量：玩具車任務相對較簡單，1萬張足夠

采集方式：讓小車在不同的場景用攝像頭錄制視頻，再每幀導出

數據標注：

使用如 labeling 等開源標注工具

將所有交通標志類別命名為 traffc，使用矩形對所有圖片依次標注

圖片標注后可以選擇保存為不同格式，本例我們保存為 yolo 格式

標注檢驗：

? 抽查比例由具體任務來決定，本例抽1%即100張

數據集拆分：

? 將所有數據按 8:2 拆分為訓練集、測試集

模型訓練：

選擇模型

模型訓練

資源監控

模型指標查看

模型測評

模型測試：

精確率（precision）：在被識別為正類別的樣本中，確實為正類別的比例

召回率（recall）：在所有正類別樣本中，被正確識別的比例

困難樣本檢查：

遠近距離效果檢測

光線檢查

邊緣檢查

偏角檢查

模糊檢查

總結

以上是生活随笔為你收集整理的2.3 深度学习开发任务实例的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。