Li Lin compilateur finition

Qubit produit | Numéro public QbitAI

À partir d'une variété de logiciels de reconnaissance d'image pour voir notre point de vue, la machine semble reconnaître les objets du quotidien apparaissant le visage, les chats, les chiens, les fleurs, toutes sortes de voitures et ainsi de suite, mais en fait, il y a une prémisse: Vous devez image de ces catégories, nous avons procédé à la formation.

Au contraire, appeler la « classification d'image. »

La mise en place d'un classificateur d'image n'est pas compliquée, le blog de la technologie Source Dexter a récemment publié un article décrit comment réaliser rapidement avec la classification d'images tensorflow.

Voici des extraits du contenu de qubit de cet article:

Avant d'entrer dans le sujet, on parle de quelques concepts de base.

Classification des images est de savoir comment atteindre?

entrée d'image à l'un système de formation, nous allons obtenir un ensemble de valeurs de probabilité: Chaque catégorie a une formation, l'image sera de retour à la classe la plus forte probabilité.

Par exemple, vous formez un système pour identifier les chats et les chiens. Lorsque vous entrez dans une image, le système génère la probabilité de cette image appartiennent au chat et la probabilité d'appartenir aux chiens.

Toutefois, cette classification a aussi un défaut: Si vous entrez dans l'image d'un serpent, il ne peut juger avec une forte probabilité cette image contient un chat, un chien ou une forte probabilité de le contenir.

réseau de neurones et de la profondeur du réseau de neurones

En résumé, le réseau de neurones est connecté à l'unité de calcul, peut être appris à partir d'un ensemble de données qui lui sont fournies.

Les réseaux de neurones multicouches sont empilés ensemble, nous obtenons la profondeur du réseau de neurones. Mise en place et le fonctionnement de la profondeur du processus de formation du réseau de neurones, appelé l'apprentissage en profondeur.

Avant la sortie de l'article de qubits détaille les « 25 concepts de base d'apprentissage profond », y compris les réseaux de neurones, y compris, vous pouvez cliquer pour voir.

tensorflow

Tensorflow est une bibliothèque mathématique, mais aussi la profondeur de champ d'étude le plus largement utilisé framework open source développé par Google.

Dans cet article, nous utiliserons le modèle pré-formation tensorflow pour définir notre classificateur.

Vous voulez définir cette classification, il y a plusieurs conditions préalables:

• Tensorflow installé et mis en place sur votre machine;

• Vous utiliserez Python.

Classificateur est formé à partir de zéro une semaine de prendre des mois d'apprentissage, même profondeur, en fonction de ce matériel que vous utilisez. Pour éviter ce problème, nous utiliserons le modèle pré-formé. Tensorflow en mesure de pré-entraîné d'identifier les différents modèles généralement environ 1000 objets de classe.

Ensuite, nous avons commencé à mettre en place votre propre classificateur d'image:

Étape 1: Téléchargez les modèles pré-formés, des diagrammes et des scripts de calcul

Cette zone de stockage de clone, et entrez la commande suivante:

git clone https://github.com/akshaypai/tfClassifier

Étape 2: Exécutez le script pour trouver les meilleures prévisions

Vous pouvez fournir une image à classer, pour exécuter ce script. Par défaut, il affiche les meilleurs résultats de probabilité.

Python classifier.py --image_file file_path_to_image

Si vous voulez obtenir les premiers résultats de la classification, vous pouvez utiliser les paramètres suivants.

Python classifier.py --image_file file_path_to_image --num_top_predictions number_of_top_results

Exemple: Ce qui suit est notre grenade d'image d'entrée, les résultats obtenus.

python classifier.py --image_file ~ / Photos / fruit.jpg

Classificateur que cette image est une grenade, la probabilité est de 98%.

Étape 3: exécuter un script pour obtenir les premières classes de n identifiés

Maintenant, nous essayons de donner une image avec d'autres attributs, tels que l'image de la maison ce qui suit:

python classifier.py --image_file ~ / Photos / house.jpg de la clôture 5picket, pâlissant (score = 0,95750)

Comme on peut le voir les résultats ci-dessus, la possibilité du classificateur pense que cette image est inclus dans la clôture, il est de 95%, et peut contenir une autre clôture, terrasse / terrasse.

Le tensorflow modèle de classification d'image pré-formation, est aussi simple que cela. Cependant, le modèle pré-formation permet d'identifier la classe est limitée, si vous voulez faire la distinction entre les catégories du classificateur dont vous avez besoin, vous devez reconvertir le modèle.

Ci-dessous, nous allons vous expliquer comment recycler le modèle.

Étape 1: Mettre en place un dossier d'images

Cette étape implique la mise en place de la structure de dossiers, de sorte tensorflow peut facilement accéder à ces catégories. Par exemple, vous voulez former le réseau de neurones, identifier 5 fleurs: roses, tulipes, pissenlits, fleur de cacao, calendula.

Lorsque la structure de dossier est créé:

Créez un dossier pour chaque type de fleur, le nom du dossier est le nom de la catégorie (dans notre exemple, le nom de cette fleur);

L'image de la fleur d'ajouter leurs propres dossiers. Par exemple, toutes les images de roses dans le dossier « Rose ».

Tout dossier à un autre parent, comme « fleurs ».

Après terminée, vous verrez une structure de dossiers:

~ / Fleurs

Tous les dossiers sont mis en place cette façon, la structure du dossier est prêt.

Étape 2: Exécutez le re-formation de script

Utilisez la commande suivante pour exécuter le script:

python retrain.py --model_dir ./inception --image_dir ~ / fleurs --output_graph ./output --how_many_training_steps 500

paramètres de ligne de commande:

-model_dir: Ce paramètre indique l'emplacement du modèle de pré-formation. Dossier des modèles pré-formés stockés dans le fichier de démarrage git.

-image_dir: chemin vers le fichier d'image créé à l'étape précédente dans le dossier.

-output_graph: Lieu de formation pour stocker la nouvelle carte.

-how_many_training_steps: étapes de formation indique le nombre d'itérations pour effectuer, la valeur par défaut est 4000. Trouver le bon nombre de fois de passer par essais et erreurs, une fois trouvé le meilleur réglage, vous pouvez commencer à utiliser.

Les paramètres suivants peuvent être utilisés pour améliorer la précision du modèle:

random_crop: coupe aléatoire permet de vous concentrer sur la partie principale de l'image.

Random_scale: coupe et similaire, mais peut être étendue taille de l'image aléatoire.

flip_left_right: flip.

Ce qui précède est un pas re-formation requis modèle d'apprentissage profondeur, de sorte que vous pouvez personnaliser la reconnaissance d'objets.

[Fin]

recrutement

Nous recherchons des rédacteurs en chef et les journalistes, les opérateurs et les autres postes, basé à Zhongguancun de Beijing, nous réjouissons de votre arrivée, à l'expérience de l'intelligence artificielle en pleine progression.

Détails, le numéro de l'interface de dialogue public, réponses: mot « recrutement ».

Encore une chose ...

Qu'est-ce que la préoccupation de la communauté AI d'aujourd'hui? En bit quantique (QbitAI) Interface séance publique n ° réponse « Aujourd'hui » pour voir l'industrie et la recherche AI collecte dynamique de notre réseau. recharge ~