458 photos sont-elles suffisantes pour former le modèle de reconnaissance de la banane Apple?

Analyse de la taille de l'échantillon de la formation du modèle d'apprentissage en profondeur: étude de cas sur l'identification des pommes et des bananes

Cet article traite de la taille de l'échantillon nécessaire pour former un modèle d'apprentissage en profondeur qui distingue les pommes des bananes. L'utilisateur a utilisé le modèle RESNET50 pour collecter 195 images de bananes et 263 images Apple (458 au total), mais l'effet de reconnaissance du modèle était extrêmement médiocre, et toutes les images ont été identifiées comme des bananes. Cela soulève la question de savoir si la taille de l'échantillon est insuffisante.

458 Les images peuvent ne pas être suffisantes pour former un modèle d'apprentissage en profondeur avec d'énormes paramètres comme RESNET50. Bien que Resnet50 ait de fortes capacités de pré-formation, ses avantages nécessitent beaucoup de données à utiliser pleinement. Même avec l'augmentation des données, 458 images peuvent ne pas être suffisantes pour que le modèle apprenne les nuances entre les pommes et les bananes, ce qui entraîne un sur-ajustement du modèle, fonctionnant bien sur l'ensemble de formation mais extrêmement pauvre sur l'ensemble de tests.

Une alternative viable consiste à extraire les caractéristiques de l'image à l'aide d'un modèle VGG16 pré-formé, puis à s'entraîner à l'aide d'un perceptron multicouche à trois couches (MLP). Cette méthode réduit la complexité du modèle et réduit le besoin du nombre d'échantillons de formation. VGG16 a appris une multitude de caractéristiques de l'image, simplifiant ainsi la tâche de classification et réduisant les besoins en taille de l'échantillon, et des centaines d'images peuvent être suffisantes. Cela montre que le choix de la bonne architecture de modèle est crucial pour la formation de petits ensembles de données, et les modèles légers sont plus appropriés.

Cependant, la qualité de l'échantillon reste critique quelle que soit l'architecture du modèle. Une mauvaise qualité d'image, une lumière inégale, des angles incohérents, etc. affecteront l'effet d'apprentissage du modèle. Par conséquent, les données de formation de haute qualité et diverses restent la clé pour former des modèles réussis.

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!