聊聊視覺算法

jason6

前陣子有幾個供應商來推薦他們的視覺設(shè)備,，跟我聊視覺深度學習,，后來我問了幾個問題,，答不上來就不了了之了，說明自己都不知道用來干嘛的,。這個細分領(lǐng)域,，亦是魚龍混雜，做的好的少之甚少,。

我問了5個問題：

1. 是否可以遷移訓練模型,？例如之前用2000張圖像的目標檢測模型，新發(fā)現(xiàn)的幾張NG圖像加入重新訓練,？

2. 你們家的深度學習是基于哪幾個深度學習框架的,？
--- TensorFlow
--- pytorch
--- Keras
--- Caffe
--- Theano
--- CNTK

3. 你們的視覺深度學習目前支持哪幾種應用場景？
--- 分類檢測
--- 目標檢測
--- 語義分割
--- 還是其他,？

4. 是否有獨立的標注軟件,？（他們問什么是標注軟件？）
--- 標注軟件就是人工把缺陷位置圈出來,，這就是標注,。

5. 你們目前的模型是什么格式的？是否可以使用通用的ONNX推理,？

huhu2

現(xiàn)在只剩下兩家了,，google的TENSORFLOW和facebook的pytorch，caffe是奄奄一息,，其他的墳頭長草了吧,！遷移學習應該是指比如你原先識別的是黑白的中文或數(shù)字，換為彩色的中文或數(shù)字是否也可以快速的識別,。另外ONNX主要是把訓練好的模型發(fā)布到網(wǎng)上服務器上給用戶使用,，tensorflow用自家的軟件部署或發(fā)布，其他家都用ONNX部署吧,。

學者11

我覺得是你的提問就顯得欠缺語法,，比如第一個問題，換成“在視覺深度學習領(lǐng)域,，之前用2000張圖像訓練過的目標檢測模型,，現(xiàn)在新加入幾張NG圖像是否可以進行重新訓練？”,，這種描述是不是更好,？
答案是當然可以，然而在這樣做之前,，你需要考慮以下幾個方面：
數(shù)據(jù)一致性：確保新的圖像與原來的訓練集在數(shù)據(jù)分布上保持一致,，避免引入數(shù)據(jù)偏移,。
數(shù)據(jù)質(zhì)量：“NG圖像”的質(zhì)量可能會對訓練過程產(chǎn)生影響。如果這些圖像是低質(zhì)量的或者標注有誤,，那么它們可能會影響模型的整體性能,。
數(shù)據(jù)量影響：雖然添加少量圖像通常不會顯著改變模型的行為，但如果這些圖像具有很強的代表性或包含重要的特征,，則有可能對模型產(chǎn)生積極的影響,。反之，如果這些圖像的質(zhì)量較差,，也有可能導致模型性能下降,。
如果你擔心新的圖像會對現(xiàn)有模型造成負面影響，可以嘗試使用遷移學習的方法,，僅微調(diào)模型的部分層而不是整個網(wǎng)絡(luò),。
另外，也可以采用增量學習的方法,，這樣模型可以逐步適應新的數(shù)據(jù)而不完全忘記舊的數(shù)據(jù)上的學習成果,。

人家不愿意回答采用的是哪種深度學習框架也很正常，這屬于商業(yè)機密,。

你問人家ONNX推理的事,，對方只會認為你有惡意。因為通過ONNX,，開發(fā)者可以使用一種深度學習框架訓練模型,，然后在另一種框架或者專門的高性能推理引擎中運行這個模型。所以對方會想,，你該不會想偷我們的模型,，然后在你們公司的框架上運行這個模型吧。人家賣的是服務,，沒打算把家賣給你啊。

所以根本原因是你的提問已經(jīng)大大超過了一個普通用戶的需求,，很多是創(chuàng)業(yè)者才會想到的,。

hxglty

那些視覺軟件基本上都內(nèi)嵌了大把的算法庫，隨便改改就可以用了,，比如說Halcon

leioukupo

這5個問題都不知道,，那還不如我，至少我知道
我是不是也能去做視覺產(chǎn)品了

m2006410

無法言喻1977

學者11 發(fā)表于 2024-8-30 17:02
我覺得是你的提問就顯得欠缺語法,，比如第一個問題,，換成“在視覺深度學習領(lǐng)域，之前用2000張圖像訓練過的目 ...

本質(zhì)被你看到了,。

cangzhoumj

大有前途啊

救贖.

會不會覺得你是同行提問

救贖.

我們就是拿樣品過去給他做視覺分析  OK后 我再拿一批料過去給他判斷,，拿判斷過的產(chǎn)品OK  NG 回來公司用自己的檢測方法判斷他們的視覺是否可行,，可以就買 不行就在商量 或者換一家