В NEIMARKER процесс создания обучающих выборок для новых типов объектов включает несколько ключевых этапов:

1. Сбор данных:
   На первом этапе собираются исходные фото и видео с примерами объектов и дефектов из различных источников.
2. Разметка данных:
   После сбора данных проводится их разметка. Используя встроенные инструменты, специалисты выделяют области, соответствующие новым классам объектов и дефектов.
3. Разбиение датасета:
   Размеченный датасет делится на три части: обучающую, валидационную и тестовую, что необходимо для последующего обучения моделей.
4. Переобучение нейросетей:
   Выполняется fine-tuning предобученных сверточных нейросетей на новых данных с применением методов регуляризации и оптимизации гиперпараметров.
5. Оценка качества:
   Оценка обученных моделей производится на тестовой выборке с использованием различных метрик, таких как:
   • Средняя точность (mAP): объединяет показатели точности и полноты.
   • Точность (Precision): измеряет долю правильно идентифицированных объектов.
   • Полнота (Recall): оценивает, насколько эффективно модель находит все объекты.
   • Средняя ошибка локализации: оценивает точность определения координат рамок (bounding boxes).
6. Корректировка и повторное обучение:
   При необходимости производится корректировка данных и дообучение сети для повышения точности, исключая нерелевантные данные.
7. Интеграция моделей:
   Заключительный этап включает интеграцию лучших моделей в ансамбль для окончательного распознавания и их последующее внедрение.

Этот комплексный подход обеспечивает высокую точность и надежность систем, разработанных с использованием платформы NEIMARKER.

Опубликовано: Сен. 4, 2024, 10:21 д.п. Просмотры: 113