Для начала переместите функцию глубокого обучения с общей панели инструментов на экран, чтобы начать маркировку данных и обучение. Нажмите на кнопку «Загрузить изображения» в настройках инструмента глубокого обучения и перейдите в каталог, содержащий изображения для импорта и маркировки изображений. Затем нажмите и удерживайте левую кнопку мыши, чтобы пометить объекты и присвоить имена выбранным объектам.
Нажмите кнопку Сохранить GT, чтобы сохранить файл dot GT в том же каталоге. Перед началом обучения модели нажмите кнопку настройки gen, чтобы получить доступ к функциям дополнения данных. Используйте четыре типа дополнений, а именно вращение, контрастность, шум и размытие, чтобы обогатить набор данных.
Чтобы начать обучение модели, нажмите кнопку обучения, расположенную в инструменте глубокого обучения. В функции создания обучающих файлов выберите модели, размер пакета и подразделения. Нажмите кнопку «Создать», чтобы сгенерировать данные и сохранить их в каталоге.
После настройки всех параметров нажмите кнопку обучения, чтобы начать обучение модели. Программа автоматически выполнит и скорректирует вес набора данных, пока она оценивает потери от обучения. После достижения оптимальных потерь нажмите кнопку экспорта и сохраните файл веса в каталоге.
Чтобы продолжить оценку модели обнаружения объектов, выберите evaluate на панели инструментов плагина и переместите функцию обнаружения eval на экран. После этого нажмите на кнопку настроек. Подождите, пока появятся три функции: обнаружение, оценка и построение графика.
Чтобы начать оценку модели, нажмите кнопку «Загрузить конфигурацию» и импортируйте обученный файл ожидания из каталога. Чтобы импортировать тестовые изображения из каталога файлов изображений, нажмите кнопку обзора. Затем нажмите на кнопку «Загрузить GT», чтобы импортировать файл GT.
Затем нажмите кнопку оценки, чтобы оценить модель обнаружения в каталоге. По завершении результаты будут автоматически сохранены в виде файла CSV в том же каталоге, отсортированном по имени класса, содержащем ключевые параметры, такие как истинно положительный, ложноположительный, ложноотрицательный, отзыв и точность для каждого класса. Чтобы создать кривую отзыва точности или PR, перейдите к функции построения.
Нажмите кнопку «Обзор», чтобы импортировать файлы CSV из каталога. Выберите нужные классы из списка и нажмите кнопку построения графика, чтобы визуализировать кривую PR. Нажмите на кнопку «Сохранить», чтобы сохранить изображение со значениями AUC кривой PR в нужном формате изображения в выбранном каталоге.
Чтобы выбрать функцию обучения модели классификации изображений, перейдите на панель инструментов изображений, выберите глубокий classif и переместите обучение classif на экран. Чтобы импортировать изображения для обучения, нажмите на кнопку «Открыть папку» в настройках инструмента classif train и перейдите в каталог, содержащий изображения. Перед обучением обогатите набор данных, нажав кнопку дополнения и применив такие методы, как вращение, контраст, отражение, шум и размытие.
Чтобы начать процесс обучения модели, нажмите кнопку gen train в инструменте classif train. В разделе gen train выберите нужные модели, размер партии и подразделения. Назначьте директорию для сохранения сгенерированных данных и нажмите кнопку «Создать».
Когда все настройки будут завершены, нажмите кнопку «Пуск». Программа будет выполняться непрерывно, оценивая потери при обучении и корректируя вес набора данных по мере необходимости. При достижении желаемого уровня потерь нажмите кнопку экспорта и сохраните файл веса в указанном каталоге.
