Упрощение компьютерного зрения с помощью Monk, инструмента глубокого обучения с низким кодом и унифицированной оболочки для компьютерного зрения.
Вы когда-нибудь думали поэкспериментировать, чтобы построить сеть с разными блоками от Resnet, Densenet, Inception и т. Д.?
Я предполагаю, что вы уже знакомы с основами компьютерного зрения. Прежде чем погрузиться в это, убедитесь, что вы знаете, что такое Resnet, что такое Densenet и что такое Inception.
Давайте начнем
Оглавление
- Установка
- Загрузить данные
- Создание и отладка сети
- Поезд
Установка
Установите Monk, инструмент глубокого обучения с низким кодом и унифицированную оболочку для компьютерного зрения.
$git clone https://github.com/Tessellate-Imaging/monk_v1.git #Select the requirements file as per OS and CUDA version $cd monk_v1/installation/Linux && pip install -r requirements_cu9.txt
Загрузить данные
Здесь мы используем набор данных классификации собак Стэнфордского университета.
$! wget --load-cookies /tmp/cookies.txt "https://docs.google.com/uc?export=download&confirm=$(wget --save-cookies /tmp/cookies.txt --keep-session-cookies --no-check-certificate 'https://docs.google.com/uc?export=download&id=1b4tC_Pl1O80of7U-PJ7VExmszzSX3ZEM' -O- | sed -rn 's/.*confirm=([0-9A-Za-z_]+).*/\1\n/p')&id=1b4tC_Pl1O80of7U-PJ7VExmszzSX3ZEM" -O dogs-species-dataset.zip && rm -rf /tmp/cookies.txt
Создание и отладка сети
Здесь мы создаем сеть и добавляем resnet_v1_block и resnet_v2_block.
Отладка пользовательской модели
$ gtf.debug_custom_model_design(network);
Затем мы добавим resnet_v1_bottleneck_block и resnet_v2_bottleneck_block
Отладка пользовательской модели
$ gtf.debug_custom_model_design(network);
Здесь мы добавим densenet_block, inception_a_block и inception_c_block.
Отладка пользовательской модели
$ gtf.debug_custom_model_design(network);
мы сглаживаем, добавляем полностью связанный слой, а затем полностью связанный слой с количеством нейронов (единиц) = количеству классов в вашем пользовательском наборе данных.
Отладка пользовательской модели
$ gtf.debug_custom_model_design(network);
Визуализируйте с Netron
Поезд
Установите периоды, оптимизатор, потери и планировщики скорости обучения.
Вы можете найти полный блокнот jupyter на Github.
Если у вас есть вопросы, вы можете связаться с Абхишек и Акаш. Не стесняйтесь обращаться к ним.
Я очень увлечен компьютерным зрением и глубоким обучением. Я участник библиотек Monk с открытым исходным кодом.
Вы также можете увидеть другие мои работы по адресу: