Praktische Erkenntnisse für einen datengesteuerten Ansatz zur Modelloptimierung
In diesem letzten Teil meiner Serie werde ich mitteilen, was ich über die Auswahl eines Modells für die Bildklassifizierung und die Feinabstimmung dieses Modells gelernt habe. Außerdem zeige ich, wie Sie das Modell nutzen können, um Ihren Kennzeichnungsprozess zu beschleunigen, und schließlich, wie Sie Ihre Bemühungen durch die Erstellung von Nutzungs- und Leistungsstatistiken rechtfertigen können.
In Teil 1Ich habe den Prozess der Kennzeichnung Ihrer Bilddaten besprochen, die Sie in Ihrem Bildklassifizierungsprojekt verwenden. Ich habe gezeigt, wie man „gute“ Bilder definiert und Unterklassen erstellt. In Teil 2Ich ging verschiedene Datensätze durch, die über die üblichen Zugvalidierungs-Testsätze hinausgingen, mit Benchmark-Units und wie man mit synthetischen Daten und duplizierten Bildern umgeht. In Teil 3 habe ich erklärt, wie man unterschiedliche Bewertungskriterien auf ein trainiertes Modell im Vergleich zu einem bereitgestellten Modell anwendet und Benchmarks verwendet, um zu bestimmen, wann ein Modell bereitgestellt werden sollte.
Modellauswahl
Bisher habe ich viel Zeit darauf verwendet, die Bilder zu kennzeichnen und zu kuratieren sowie die Leistung des Modells zu bewerten, was so ist, als würde man das Pferd von hinten aufzäumen. Ich versuche nicht, den Aufwand für den Entwurf eines riesigen neuronalen Netzwerks zu minimieren – dies ist ein sehr wichtiger Teil der Anwendung, die Sie erstellen. In meinem…