模型优化方法---VisionTrain训练篇
本文根据个人经验整理了几个常用的模型优化方法,先从VisionTrain开始讲起!

问题:在做深度学习项目,经常会遇到模型在VM预测时,出现了部分样本的误检或漏检的情况。

对于上述情况,首先需要仔细研读对应的训练指导说明,查看是否是某一步操作问题导致模块报错,或者参数设置错误。


由于篇幅有限,针对一些特殊的优化细节,本文以是否做多分类任务为划分,大致的列了以下几点。


多分类

  • 如图像分类、目标检测和图像分割,需考虑类别之间是否有一定差异性,特征相似的类别应做合并。深度学习的分类标准是以目标特征分类,不应以目标出现区域或生成原因划分,下图中的凹坑和边缘掉料特征相似,应合并成一个。

     

  • 对于图像检索,可将误识别的样本注册到gallery对应的类别中,图像检索的loss通常会大于0.4以上,但并不影响检出精度,可能与内部的Loss函数计算方法有关。

    


二分类(也可称做单类别,即不做分类,只定位出目标位置):

  • 背景中存在相似特征的,对于图像分割,可直接在此区域作忽略标注,建议所有图片统一做忽略。也可以新添加几张OK样本图,或者尝试使用自学习算法训练。

    

  • 对于目标检测,在VT1.4.1版本中可添加几张OK样本作为背景图,也可以更换训练参数,如大Patch,高精度模型,并适当提高迭代轮次。
          
  • 对于字符识别,通常是由于字符定位模型偏移,或是未开启朝向使能,而导致定位框未按字符方向旋转,也可能是字符像高占背景比过小,超出了算法下限,应尽可能的放大字符大小,比如缩小视野,裁剪图像大小等。

          

  • 其他训练任务由于可调整的标注和训练参数不多,应着重与样本数据的清洗,可以使用常用方法提高模型性能。如提高缺陷对比度,增加样本量,选择更合适的算法,调整标注策略,将误检或漏检样本再次添加至训练集,并适当增加迭代轮次重新训练,etc。
版权声明:本文为V社区用户原创内容,转载时必须标注文章的来源(V社区),文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件至:v-club@hikrobotics.com 进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容。
上一篇

机器视觉工程安装电磁兼容指导书

下一篇

模型优化方法---VM算法平台预测篇

评论请先登录 登录
全部评论 1

“作为背景图”——作用是什么呢?

2022-05-20 09:32:13
回复
深度学习好学家 作者 回复 更新爱好者1234nNBIsvbdbn :

这里是说明样本缩放后的n*n个待选区内,不存在检测目标,降低背景区的相似特征干扰。同样的,分割里也有对应的OK标记,也是一样的作用,只是分割的方法为选择采样。

2022-05-20 10:07:11
  • 1
砖业调参侠
5
创作
5
粉丝
7
获赞
相关阅读
  • 浅谈visionMaster应用感受及优缺点。
    2022-06-13
  • 海康机器人“悉灵杯”课题研究活动-入围公布
    2022-05-31
  • 浅谈visionMaster 通讯的应用(非常好用)
    2022-06-16
  • IDP5104 PDA产品开箱体验和使用分享
    2022-05-30
  • 一篇文章教会你如何计算镜头延长环
    2022-06-08

请升级浏览器版本

您正在使用的浏览器版本过低,请升级最新版本以获得更好的体验。

推荐使用以下浏览器