如何使用MobilenEtV2模型進行圖像分類？

Mobilenet是為支持智能手機出現而創建的開源模型。它使用CNN體系結構執行計算機視覺任務，例如圖像分類和對象檢測。使用此體系結構的模型通常需要大量的計算成本和硬件資源，但是Mobilenet是可以使用移動設備和嵌入的。 多年來，該模型已用於各種現實世界應用。它還具有一些功能，例如使用深度分離卷積減少參數。因此，借助移動設備的硬件資源有限，該技術可以幫助使模型運行。

我們將討論該模型如何使用預訓練的預測類對圖像進行深度分類器圖像有效地對圖像進行分類。

學習目標

了解Mobilenet及其工作原理。

洞悉Mobilenet的架構。

• >在Mobilenet上推斷以執行圖像分類。
• 探索Mobilenet的真實應用。
• >本文是

> > data Science Blogathon的一部分。 內容表的>> MobileNet

>

>標準共存的工作原理

>
• >如何進行深度和點卷積工作？輸入圖像
• >>為圖像分類加載預訓練的模型
• > input處理
output
• 應用此模型的應用
  • Mobilenet的工作原理
  • > Mobilenet的工作原理是該模型結構中最重要的部分之一。它概述了構建此模型的技術和方法，並使其適應移動設備和嵌入式設備。該模型的設計利用卷積神經網絡（CNN）體系結構使其可以在移動設備上運行。 但是，該體系結構的關鍵部分是使用深度可分離卷積來減少參數的數量。該方法使用兩個操作：深度和尖銳的捲積。
  標準共價
• >標準卷積過程以濾波器（內核）開頭；在圖像中檢測到邊緣，紋理或圖案之類的圖像特徵。接下來是將濾清器滑過圖像的寬度和高度。每個步驟都涉及元素的乘法和求和。這樣的總和給出了一個數字，從而導致特徵圖的形成。它代表了濾波器檢測到的特徵的存在和強度。
>但是，這具有高計算成本和增加的參數計數，因此需要深度和點的捲積。



深度和尖端卷積如何工作？

>

深度卷積將單個過濾器應用於輸入通道，而點置則將來自深度卷積的輸出結合在一起，從圖像創建新特徵。

>因此，這裡的區別在於，只要僅應用一個過濾器，乘法任務就減少了，這意味著輸出的通道數與輸入相同。這導致了彎曲的捲積。

tbe Pointwise卷積使用1×1濾波器結合或擴展功能。這有助於模型學習在頻道功能上分配不同模式以創建新功能映射。這使得旋轉卷積能夠增加或減少輸出特徵圖中的通道數。 Mobilenet Architecure

>

此計算機視覺模型建立在CNN體系結構上，以執行圖像分類和對象檢測任務。深度可分離卷積的使用是將該模型調整到移動設備和嵌入式設備中，因為它允許建立輕質的深神經網絡。

>這種機制帶來了參數計數和延遲的減少，以滿足資源約束。該體系結構可實現模型輸出的效率和準確性。

該模型的第二版（MobilenetV2）是通過增強型建造的。 Mobilenet V2引入了一種特殊類型的構建塊，稱為帶有瓶頸的倒殘差。這些塊有助於減少處理過的通道的數量，從而提高模型。它還包括瓶頸層之間的快捷方式，以改善信息流。它沒有在最後一層中使用標準激活函數（relu），而是使用線性激活，該線性激活效果更好，因為該階段數據的空間大小較低。

如何運行此模型？
使用此模型進行圖像分類需要幾個步驟。該模型使用其內置預測類接收並分類輸入圖像。讓我們深入了解如何運行Mobilenet的步驟：
導入圖像分類的必要庫
>您需要導入一些基本模塊以運行此模型。這首先要從變壓器庫導入圖像處理器和圖像分類模塊。它們分別有助於預處理圖像和加載預訓練的模型。另外，PIL用於操縱圖像，而“請求”允許您從網絡中獲取圖像。

from transformers import AutoImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

>加載輸入圖像

 image = Image.open('/content/imagef-ishfromunsplash-ezgif.com-webp-to-jpg-converter.jpg')

>從PIL庫中使用函數“ Image.open”來從文件路徑加載圖像，在這種情況下，該圖像是從我們本地設備上傳的。另一個替代方法是使用其URL獲取圖像。



>加載圖像分類的預訓練模型

下面的代碼從MobileNetV2預訓練的模型中初始化了“自動ImimageProcessor”過程。該部分在將圖像饋送到模型之前處理圖像預處理。另外，如第二行所示，代碼為圖像分類加載相應的MobilenEtv2模型。

preprocessor = AutoImageProcessor.from_pretrained("google/mobilenet_v2_1.0_224")
model = AutoModelForImageClassification.from_pretrained("google/mobilenet_v2_1.0_224")

>輸入處理

此步驟是將預處理圖像轉換為適合Pytorch的格式的地方。然後，它通過模型傳遞以生成輸出邏輯，將使用SoftMax將其轉換為概率。

inputs = preprocessor(images=image, return_tensors="pt")
 
outputs = model(**inputs)
logits = outputs.logits

>輸出

 # model predicts one of the 1000 ImageNet classes
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

>此代碼從模型的輸出（logits）中找到具有最高預測分數的類，並從模型的配置中檢索其相應的標籤。然後打印預測的類標籤。

>

這是輸出：

這是指向Colab文件的鏈接。

應用此模型

Mobilenet在各種現實生活案例中找到了應用程序。它已在包括醫療保健在內的各個領域使用。以下是此模型的一些應用：

>

>在共同大流行期間，Mobilenet被用來將胸部X射線分為三種：正常，互聯和病毒性肺炎。結果也具有很高的精度。
• > MobilenetV2在檢測兩種主要形式的皮膚癌中也有效。這項創新在無法負擔該模型的穩定互聯網連接的領域中，這是重要的。 > 在農業中，該模型對於檢測番茄作物的葉片疾病也至關重要。因此，使用移動應用程序，該模型可以幫助檢測10種常見的葉片疾病。
• 您也可以在此處檢查模型：鏈接
>
• 總結
Mobilenet是Google研究人員的大師班的結果，它將高度計算成本的模型降低到移動設備而不會干擾其效率。該模型建立在構建結構上，該體系結構允許僅從移動應用程序中創建圖像分類和檢測。醫療保健和農業的用例是該模型能力的證據。

鑰匙外賣

>關於該模型的工作方式，從體系結構到應用程序有一些討論點。以下是本文的一些亮點：

>

• 增強的體系結構：Mobilenet的第二版帶有MobilenetV2中的倒殘差和瓶頸層。這種發展提高了效率和準確性，同時保持輕巧的性能。
>有效的移動優化：該模型用於移動和嵌入式設計的設計意味著它可以提供低計算資源，同時提供有效的性能。
>現實世界應用：Mobilenet已成功用於醫療保健（例如Covid-19和皮膚癌檢測）和農業（例如，檢測農作物中的葉片疾病）。

>本文所示的媒體不歸Analytics Vidhya擁有，並由作者自行決定使用。

常見問題 > Q1。是什麼使MobilenetV2與其他CNN模型不同？ MobileNetV2使用可分開的捲積和倒殘差，與傳統CNN相比，它對移動和嵌入式系統的效率更高。

Q2。 Mobilenetv2可以用於實時應用嗎？ 

ans。 MobilenetV2用於低延遲和實時圖像分類任務，使其適用於移動設備和邊緣設備。與較大的模型相比，Mobilenetv2的精確度如何？  ans。儘管MobilenetV2已優化以提高效率，但它保持了較高的型號的高度精度，這使其成為移動AI應用程序的強大選擇。與較大的模型相比，Mobilenetv2的精度如何？儘管MobileNetV2已優化以提高效率，但它保持了較高的型號的高度精度，這使其成為移動AI應用程序的強大選擇。

以上是如何使用MobilenEtV2模型進行圖像分類？的詳細內容。更多資訊請關注PHP中文網其他相關文章！