行业资讯
OpenCV-Python实战（32）——基于深度学习的物体分类与定位
OpenCV-Python实战（32）——基于深度学习的物体分类与定位0. 前言1. 规划应用程序2. 准备推理脚本3. 准备数据集3.1 下载并解析数据集3.2 创建 TensorFlow 数据集4. 使用卷积神经网络进行分类4.1 卷积神经网络4.2 迁移学习4.3 宠物类型和品种分类器4.4 训练和评估分类器5. 使用卷积神经网络进行定位5.1 准备模型5.3 反向传播5.4 训练模型小结系列链接0. 前言我们已经研究了一系列算法和方法，学会了如何借助计算机视觉解决实际问题。近年来，随着图形处理单元 (Graphical Processing Unit,GPU) 等设备提供的硬件计算能力的显著提升，许多利用这种能力并在计算机视觉任务中取得最先进成果的算法应运而生。通常，这些算法基于神经网络，使算法的创建者能够从数据中提取出大量有意义的信息。与此同时，与经典方法相比，这些信息往往难以解释。从这个角度来看，可以说我们正在接近人工智能——即我们给计算机提供一种方法，它自己会弄清楚如何完成其余的工作，我们在本节中将学习深度学习模型。计算机视觉中的一些经典问题包括对象目标检测和定位。让我们在本节中探讨如何借助深度学习模型对物体进行分类和定位。本节的目标是学习重要的深度学习概念，如迁移学习，以及如何应用它们来构建自己的物体分类器和定位器。我们将从准备训练数据集开始。然后，我们将继续学习如何使用预训练模型来创建新的分类器。一旦理解了如何做到这一点，我们将进一步构建更复杂的架构来执行定位。在本节中，我们将使用Oxford-IIIT-Pet数据集。最后，我们将运行应用程序，该应用将使用我们训练好的定位器网络进行推理。尽管该网络仅使用宠物头部的边框进行训练，但我们会看到它也能很好地用于定位人类头部的位置。后者展示了我们模型的泛化能力。学习这些深度学习概念并观察它们的实际应用，对于将来使用深度学习模型构建自己的应用程序或开始研究全新的深度学习架构非常有用。1. 规划应用程序最终的应用程序将包含准备数据
郑州网站建设
网页设计
企业官网
