Deep Learning per programmatori con fastai e PyTorch

Capitolo 6. Altri problemi di visione artificiale

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Nel capitolo precedente hai appreso alcune importanti tecniche pratiche per addestrare i modelli nella pratica. Considerazioni come la scelta del tasso di apprendimento e del numero di epoche sono molto importanti per ottenere buoni risultati.

In questo capitolo analizzeremo altri due tipi di problemi di computer vision: la classificazione e la regressione multi-label. La prima si verifica quando si vuole prevedere più di un'etichetta per immagine (o a volte nessuna), mentre la seconda si verifica quando le etichette sono uno o più numeri, una quantità invece di una categoria.

In questo processo, studieremo più a fondo le attivazioni di uscita, gli obiettivi e le funzioni di perdita nei modelli di deep learning.

Classificazione Multi-Label

Laclassificazione multi-etichetta si riferisce al problema di identificare lecategorie di oggetti in immagini che potrebbero non contenere esattamente un tipo di oggetto. Potrebbe esserci più di un tipo di oggetto, oppure potrebbero non esserci affatto oggetti appartenenti alle classi che stai cercando.

Per esempio, questo sarebbe stato un ottimo approccio per il nostro classificatore di orsi. Un problema con il classificatore di orsi che abbiamo lanciato nelCapitolo 2 era che se un utente caricava qualcosa che non era alcun tipo di orso, il modello continuava ...