1、使用深度学习模型有没有什么条件?
答:训练模型前必须满足3个最基础的条件:
1、一个模型训练样品总图片不低于10张;
2、一个缺陷目标不得低于8个,比如: 要检测划痕,就要提供图片样品至少包含8个划痕点以上目标,才能训练;
3、每个模型训练至少包含一张ok 产品图。
2、CKVision Builder中,深度模型加载耗时很长怎么办?
答:可以把深度模型工具放到独立的任务中,也可以添加全局变量,并绑定深度模型工具,这样在CKVision Builder打开时就可以自动执行深度模型工具。
3、深度训练时,什么时候需要调整及如何调整参数?
答:参数的调整并没有一个统一的标准,通常情况下,如果误差还不足够小,则可以尝试增加训练轮数继续训练。如果误差收敛的速度很慢,则可以尝试调整优化器中的速率和动量因子,但是需要注意,速率过小,则有可能导致训练陷入局部最优解;而速率过大,则可能导致训练误差会变成NaN,即当前解无效,当出现这种情况时,需要多尝试调整速率,观察误差的变化,从而调整速率到一个合适的值。其它参数,一般情况下可以不调整,但是也可以根据上面参数的说明及当前训练样本和训练目标进行适当的调整。
4、怎么选择使用哪个模型框架来训练?
答:Faster RCNN模型对于小面积的目标通常效果较好,但是RCNN算法需要对被检测图像进行两次运算,在时间上会稍微长一些。YOLO类模型对于面积较大,物体间特征明显的物体效果较好,而且只需要对被检测的图像进行一次运算,速度上有一定的优势。DarkNet YOLO3模型由于年代比较久远,对于全新的模型训练,可以不考虑该模型。
5、YOLOX的各个模型间有什么区别?
答:各个模型在参数上略有不同,在体积上各有差异。模型体积越大,运行占用资源越多,推理时间越长;反之模型体积越小,运行占用资源越少,推理时间越短。模型体积对推理效果也有一定的影响,但是差别不大,具体需要根据当前训练样本、目标运行设备的资源和检测目标进行测试,以选择最适合的模型。
6、需要多少训练样本才可以训练出比较稳定的模型?
答:一般情况下,平均每个标签大概要求100张图像,这样效果会比较好。对于字符检测模型,至少200张样本,而字符识别模型,至少500张样本。当然,这只是一个参考数据,对于样本数量,理论上是越多越好。如果样本数量比较少,可能会导致训练无法开始,或者训练过早终止,或者训练出的模型完全无法检测。
7、标签数量或者样本数量是否会影响检测速度?
答:一般来说,样本数量与检测速度并没有绝对的相关性,然而,样本数量越多,可能训练出的模型越精确,更有利于提高检测的精确性,忽略一些无效干扰,更有利于提高检测速度。而标签的数量,一般来说会有一定的相关性,但是其影响几乎可以忽略不计,除非有数十万以上的标签。
* 为了能够及时处理信息并将结果反馈给您,建议通过邮件方式与我们联系:点击发送邮件