Özel Görüntü İşleme modelinizi geliştirme
Bu kılavuzda, Özel Görüntü İşleme modelinizin kalitesini artırmayı öğreneceksiniz. Sınıflandırıcınızın veya nesne algılayıcınızın kalitesi, sağladığınız etiketlenmiş verilerin miktarına, kalitesine ve çeşitliliğine ve genel veri kümesinin ne kadar dengeli olduğuna bağlıdır. İyi bir model, ona gönderilecekleri temsil eden dengeli bir eğitim veri kümesine sahiptir. Böyle bir model oluşturma işlemi yinelemeli; beklenen sonuçlara ulaşmak için birkaç tur eğitim almak yaygın bir durum.
Aşağıda, daha doğru bir model eğitmenize yardımcı olacak genel bir desen vardır:
- İlk tur eğitim
- Daha fazla görüntü ekleyin ve verileri dengeleyin; yeniden eğitme
- Değişen arka plan, aydınlatma, nesne boyutu, kamera açısı ve stili olan görüntüler ekleyin; yeniden eğitme
- Tahmini test etmek için yeni görüntüleri kullanma
- Mevcut eğitim verilerini tahmin sonuçlarına göre değiştirme
Fazla uygunluk önleme
Bazen model, görüntülerinizin ortak özelliklerine dayalı tahminler yapmayı öğrenir. Örneğin, elmalar ve narenciyeler için bir sınıflandırıcı oluşturuyorsanız ve ellerdeki elmaların görüntülerini ve beyaz tabaklarda narenciye görüntülerini kullandıysanız, sınıflandırıcı eller ve narenciye yerine eller ve tabaklar için gereksiz önem verebilir.
Bu sorunu düzeltmek için farklı açılara, arka planlara, nesne boyutuna, gruplara ve diğer çeşitlemelere sahip görüntüler sağlayın. Aşağıdaki bölümler bu kavramlar üzerinde genişlemektedir.
Veri miktarı
Eğitim görüntülerinin sayısı, veri kümeniz için en önemli faktördür. Başlangıç noktası olarak etiket başına en az 50 resim kullanmanızı öneririz. Daha az görüntüyle fazla uygunluk riski daha yüksektir ve performans sayılarınız iyi kaliteyi ifade edebilir ancak modeliniz gerçek dünya verileriyle mücadele edebilir.
Veri dengesi
Eğitim verilerinizin göreli miktarlarını göz önünde bulundurmanız da önemlidir. Örneğin, bir etiket için 500 görüntü ve başka bir etiket için 50 resim kullanmak dengesiz bir eğitim veri kümesine neden olur. Bu, modelin bir etiketi tahmin etmede diğerinden daha doğru olmasını sağlayacaktır. En az resim içeren etiketle en çok resim içeren etiket arasında en az 1:2 oranında tutarsanız daha iyi sonuçlar görebilirsiniz. Örneğin, en çok görüntü içeren etikette 500 resim varsa, en az görüntü içeren etikette eğitim için en az 250 resim olmalıdır.
Veri çeşitliliği
Normal kullanım sırasında sınıflandırıcıya gönderilecekleri temsil eden görüntüleri kullandığınızdan emin olun. Aksi takdirde modeliniz, görüntülerinizin ortak özelliklerine dayalı tahminler yapmayı öğrenebilir. Örneğin, elmalar ve narenciyeler için bir sınıflandırıcı oluşturuyorsanız ve ellerdeki elmaların görüntülerini ve beyaz tabaklarda narenciye görüntülerini kullandıysanız, sınıflandırıcı eller ve narenciye yerine eller ve tabaklar için gereksiz önem verebilir.
Bu sorunu düzeltmek için, modelinizin iyi genelleştirebilmesini sağlamak için çeşitli görüntüler ekleyin. Eğitim kümenizi daha çeşitli hale getirmenin bazı yolları aşağıdadır:
Arka plan: Nesnenizin görüntülerini farklı arka planların önünde sağlayın. Doğal bağlamlardaki fotoğraflar, sınıflandırıcı için daha fazla bilgi sağladığından nötr arka planların önündeki fotoğraflardan daha iyidir.
Aydınlatma: Özellikle tahmin için kullanılan görüntülerin farklı aydınlatmaya sahip olması durumunda, çeşitli aydınlatmalı görüntüler (flash, yüksek pozlama vb.) sağlayın. Değişen doygunluk, ton ve parlaklık içeren görüntüleri kullanmak da yararlıdır.
Nesne Boyutu: Nesnelerin boyut ve sayı olarak değiştiği görüntüler (örneğin, muz demetlerinin fotoğrafı ve tek bir muzun yakın çekimini) sağlayın. Farklı boyutlandırma, sınıflandırıcının daha iyi genelleştirilmesine yardımcı olur.
Kamera Açısı: Farklı kamera açılarıyla çekilen görüntüleri sağlayın. Alternatif olarak, tüm fotoğraflarınız sabit kameralarla (gözetim kameraları gibi) çekilmesi gerekiyorsa, fazla uygunluktan kaçınmak için düzenli olarak ortaya çıkan her nesneye farklı bir etiket atadığınızdan emin olun; ilgisiz nesneleri (lamba direkleri gibi) anahtar özellik olarak yorumlar.
Stil: Aynı sınıftaki farklı stillerin görüntülerini sağlayın (örneğin, aynı meyvenin farklı çeşitleri). Ancak, büyük ölçüde farklı stillerde nesneleriniz varsa (Mickey Mouse ve gerçek bir fare gibi), ayrı özelliklerini daha iyi temsil etmek için bunları ayrı sınıflar olarak etiketlemenizi öneririz.
Negatif görüntüler (yalnızca sınıflandırıcılar)
Görüntü sınıflandırıcı kullanıyorsanız, sınıflandırıcınızı daha doğru hale getirmek için negatif örnekler eklemeniz gerekebilir. Negatif örnekler, diğer etiketlerle eşleşmeyen görüntülerdir. Bu görüntüleri karşıya yüklediğinizde, bunlara özel Negatif etiketini uygulayın.
Çizilen sınırlayıcı kutuların dışındaki tüm görüntü alanları negatif olarak kabul edildiğinden, nesne algılayıcıları negatif örnekleri otomatik olarak işler.
Not
Özel Görüntü İşleme hizmeti bazı otomatik negatif görüntü işlemeyi destekler. Örneğin, üzüm ve muz sınıflandırıcısı oluşturuyorsanız ve tahmin için bir ayakkabının görüntüsünü gönderirseniz, sınıflandırıcı bu görüntüyü hem üzüm hem de muz için %0'a yakın puanlamalıdır.
Öte yandan, negatif görüntülerin eğitimde kullanılan görüntülerin yalnızca bir varyasyonu olduğu durumlarda, modelin büyük benzerlikler nedeniyle negatif görüntüleri etiketli bir sınıf olarak sınıflandırması muhtemeldir. Örneğin, turuncu ve greyfurt sınıflandırıcınız varsa ve bir clementine ait bir görüntüde besliyorsanız, clementine ait birçok özellik portakallara benzediğinden clementine puan verebilir. Negatif resimleriniz bu nitelikteyse, modelin bu sınıflar arasında daha iyi ayrım yapmalarını sağlamak için eğitim sırasında bir veya daha fazla ek etiket (Diğer gibi) oluşturmanızı ve negatif görüntüleri bu etiketle etiketlemenizi öneririz.
Tıkanıklık ve kesme (yalnızca nesne algılayıcıları)
Nesne algılayıcınızın kesilmiş nesneleri (görüntüden kısmen kesilmiş nesneler) veya kapatılmış nesneleri (görüntüdeki diğer nesneler tarafından kısmen engellenen nesneler) algılamasını istiyorsanız, bu durumları kapsayan eğitim görüntülerini eklemeniz gerekir.
Not
Nesnelerin diğer nesneler tarafından tıkanması sorunu, derecelendirme modeli performansı için bir parametre olan Çakışma Eşiği ile karıştırılmamalıdır. Özel Görüntü İşleme web sitesindeki Çakışma Eşiği kaydırıcısı, doğru kabul edilmesi için tahmin edilen sınırlayıcı kutunun gerçek sınırlayıcı kutuyla ne kadar çakışması gerektiğiyle ilgilidir.
Daha fazla eğitim için tahmin görüntülerini kullanma
Tahmin uç noktasına görüntü göndererek modeli kullandığınızda veya test ettiğinizde, Özel Görüntü İşleme hizmeti bu görüntüleri depolar. Ardından modeli geliştirmek için bunları kullanabilirsiniz.
Modele gönderilen görüntüleri görüntülemek için Özel Görüntü İşleme web sayfasını açın, projenize gidin ve Tahminler sekmesini seçin. Varsayılan görünümde geçerli yinelemedeki görüntüler gösterilir. Önceki yinelemeler sırasında gönderilen görüntüleri görüntülemek için Yineleme açılan menüsünü kullanabilirsiniz.
Model tarafından tahmin edilen etiketleri görmek için resmin üzerine gelin. Görüntüler, modele en çok iyileştirme getirebileceklerin en üstte listelenecek şekilde sıralanır. Farklı bir sıralama yöntemi kullanmak için Sırala bölümünde bir seçim yapın.
Mevcut eğitim verilerinize görüntü eklemek için resmi seçin, doğru etiketlerini ayarlayın ve Kaydet ve kapat'ı seçin. Görüntü Tahminler'den kaldırılır ve eğitim görüntüleri kümesine eklenir. Eğitim Görüntüleri sekmesini seçerek görüntüleyebilirsiniz.
Ardından modeli yeniden eğitmek için Eğit düğmesini kullanın.
Tahminleri görsel olarak inceleme
Görüntü tahminlerini incelemek için Eğitim Görüntüleri sekmesine gidin, Yineleme açılan menüsünde önceki eğitim yinelemenizi seçin ve Etiketler bölümünde bir veya daha fazla etiketi denetleyin. Görünümde artık modelin verilen etiketi doğru tahmin edemediği görüntülerin her birinin çevresinde kırmızı bir kutu görüntülenmelidir.
Bazen görsel denetim, daha fazla eğitim verisi ekleyerek veya mevcut eğitim verilerini değiştirerek düzeltebileceğiniz desenleri tanımlayabilir. Örneğin, elmalar ve kireçler için bir sınıflandırıcı, tüm yeşil elmaları yanlışlıkla kireç olarak etiketlenebilir. Daha sonra yeşil elmaların etiketli görüntülerini içeren eğitim verileri ekleyerek ve sağlayarak bu sorunu düzeltebilirsiniz.
Sonraki adımlar
Bu kılavuzda, özel görüntü sınıflandırma modelinizi veya nesne algılayıcısı modelinizi daha doğru hale getirmek için çeşitli teknikler öğrendiniz. Ardından, görüntüleri Tahmin API'sine göndererek program aracılığıyla test etmeyi öğrenin.