TensorFlow에서 내 이미지를 어떻게 사용합니까?

Question

이 질문은 이전에 묻지 만 아직 답변을 찾을 수 없었습니다. 저는 Python과 Tensorflow를 처음 사용했지만 MNIST 이미지 세트로 최대 ± 99.3 %의 정확도를 얻을 수있었습니다. 이제는 내 자신의 이미지를 사용하려고하지만 이것은 예상했던 것보다 나에게 힘든 것으로 판명되었습니다.

Tensorflow 사이트의 튜토리얼 페이지를 수백 번 읽었지만 나에게 의미가 없으며 어떤 시도를하든 나는 경고로 끝납니다. 이제는 나 자신을 알아 내고 싶지만 누군가 내 자신의 이미지로 작업하는 것이 가장 쉬운 방법을 생각하고 있습니까? 아니면 어떤예요? 나는 그들을 위해 온라인을 찾고 있었지만, 나는 그것들의 1000을 발견하고있는 것처럼 느껴졌지 만 그들 중 아무도 내가 이해할 수있는 방식으로 설명을 얻지 못한다.

미리 도움을 주셔서 감사합니다.

Answer 1

이렇게 정리하면 42 개의 클래스가 있으며 각각 약 10 개의 그림이 있어야합니다.

이 두 가지의 필요에 꽤 정면을 배치합니다

• Transfer Learning
• Data Augmentation

당신은 이미 코멘트에 데이터 증가에 대한 가능성 필요성을 언급 한, 그리고 당신 다시 주목하자면 : 클래스 당 10 개의 이미지를 최대한 활용하기 위해서는 전체 변형을 적용하는 것이 좋습니다. 아마도 더 많은보다 10/20 총 이미지 :

• 는 스케일링
• 자르기
• 노이즈
• 대비/색상/밝기 조정
• 회전

데이터 보강의 좋은 예 이미지 분류는 official resnet example model

두 번째는 전송 학습입니다. 아주 작은 데이터에서 42 개 클래스의 모델을 배우려고하면 다른 데이터에 대해 숙련 된 모델에서 시작하여 새 데이터 세트로 마지막 (몇 개) 레이어를 다시 교육하면 더 잘 수행 할 수 있습니다. 이 배후의 이유는 초기 학습의 예제 공간이 훨씬 넓어 분류자가 전송 학습 분류기가 더 높은 수준의 인식을 더 빨리 달성하는 데 사용할 수있는 다양한 일반 이미지 기능을 학습하는 데 도움이된다는 것입니다.

물론 다른 방법으로는 능동적 인 학습을 할 수 있습니다. 분류자를 훈련시킨 다음 토큰 이미지를 보여줄 수 있습니다 (웹캠을 통해 각 프레임을 분류하는 등) 이것을 다음 훈련 라운드의 예로서 저장하십시오. 이것은 더 많은 작업을 필요로하며 인프라에 대한 인프라를 구축해야하기 때문에 전송 학습부터 시작합니다.

그러면 전송 학습을 위해 시작할 아키텍처가 무엇인지 질문하게됩니다. 시작은 아마 당신이하는 일에 너무 많은 것이지만, MNIST 모델은 아마도 당신이 원하는 것보다 더 간단 할 것입니다. 몇 가지 실험을해야 할 것입니다. 일반적인 MNIST 예제와 같이 수정 된 LeNet 스타일 분류기는 매우 잘 작동합니다 (다른 길쌈 레이어 추가, batchnorm 추가 및 드롭 아웃 추가). 또는 미리 훈련 된 Mobilenet 네트워크에서 시작하여 전송할 수 있습니다.당신이 추론 속도에 대한 몇 가지 엄격한 계산 한계를 가지고 있지 않다면 나는 후자로부터 시작하기를 원할 것입니다.

이미지의 경우 JPEG 이미지 디렉토리를 만들어야합니다. 이들을 처리하는 가장 "공식적인"방법은 this answer의 프로세스입니다.