Телеграмм чат группы pydata

imagenet — это такой набор соревнований. с большим датасетом. диплернинг на нем хайпанул.
ребяту тут на самом деле говорят про transfer learning.
1) подразумевается, что ты можешь взять нейросеть, обученную на датасете imagenet. и либо прямо использовать — это 10 строк кода. такая сеть будет тебе говорить 1 из 1000 классов. категории имейджнета можно посмотреть примерно тут:
2) либо взять ту же сетку и еще дообучить на своих размеченных по классам фотографиях — это 20 строк кода.
дообучение зовется еще fine tuning.
3) можно ничего не дообучать, а взять сетку как эмбеддер и дальше "обычный" классификатор: https://www.semanticscholar.org/paper/CNN-Features-Off-the-Shelf%3A-An-Astounding-Baseline-Razavian-Azizpour/127316fbe268c78c519ceb23d41100e86639418a

самая популярная сетка для этого — это resnet. их там несколько — разной глубины. в контекст программирования разницы нет.

Вот пример как это делается на питорче: https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html

www.semanticscholar.org

CNN Features Off-the-Shelf: An Astounding Baseline for Recognition - Semantic Scholar

Recent results indicate that the generic descriptors extracted from the convolutional neural networks are very powerful. This paper adds to the mounting evidence that this is indeed the case. We report on a series of experiments conducted for different recognition tasks using the publicly available code and model of the OverFeat network which was trained to perform object classification on ILSVRC13. We use features extracted from the OverFeat network as a generic image representation to tackle the diverse range of recognition tasks of object image classification, scene recognition, fine grained recognition, attribute detection and image retrieval applied to a diverse set of datasets. We selected these tasks and datasets as they gradually move further away from the original task and data the OverFeat network was trained to solve. Astonishingly, we report consistent superior results compared to the highly tuned state-of-the-art systems in all the visual classification tasks on various datasets. For instance retrieval…

источник

18:32пожаловаться

I

I Апрельский in PyData SPb

Маша Чакчурина

она делит видео на кадры и в кадрах рисует баундинг боксы, тут Ильдар прав

yolo не делит ничего :). это люди делят и отдают yolo. yolo принимает на вход ток картиночку.

https://hackernoon.com/understanding-yolo-f5a74bbc7967
https://medium.com/@jonathan_hui/real-time-object-detection-with-yolo-yolov2-28b1b93e2088

Hackernoon

Understanding YOLO

источник

18:34пожаловаться

VS

Vladimir Shkoda in PyData SPb

I Апрельский

imagenet — это такой набор соревнований. с большим датасетом. диплернинг на нем хайпанул.
ребяту тут на самом деле говорят про transfer learning.
1) подразумевается, что ты можешь взять нейросеть, обученную на датасете imagenet. и либо прямо использовать — это 10 строк кода. такая сеть будет тебе говорить 1 из 1000 классов. категории имейджнета можно посмотреть примерно тут:
2) либо взять ту же сетку и еще дообучить на своих размеченных по классам фотографиях — это 20 строк кода.
дообучение зовется еще fine tuning.
3) можно ничего не дообучать, а взять сетку как эмбеддер и дальше "обычный" классификатор: https://www.semanticscholar.org/paper/CNN-Features-Off-the-Shelf%3A-An-Astounding-Baseline-Razavian-Azizpour/127316fbe268c78c519ceb23d41100e86639418a

самая популярная сетка для этого — это resnet. их там несколько — разной глубины. в контекст программирования разницы нет.

Вот пример как это делается на питорче: https://pytorch.org/tutorials/beginner/transfer_learning_tutorial.html

www.semanticscholar.org

CNN Features Off-the-Shelf: An Astounding Baseline for Recognition - Semantic Scholar

Recent results indicate that the generic descriptors extracted from the convolutional neural networks are very powerful. This paper adds to the mounting evidence that this is indeed the case. We report on a series of experiments conducted for different recognition tasks using the publicly available code and model of the OverFeat network which was trained to perform object classification on ILSVRC13. We use features extracted from the OverFeat network as a generic image representation to tackle the diverse range of recognition tasks of object image classification, scene recognition, fine grained recognition, attribute detection and image retrieval applied to a diverse set of datasets. We selected these tasks and datasets as they gradually move further away from the original task and data the OverFeat network was trained to solve. Astonishingly, we report consistent superior results compared to the highly tuned state-of-the-art systems in all the visual classification tasks on various datasets. For instance retrieval…

Вон оно как

источник

18:35пожаловаться

МЧ

Маша Чакчурина in PyData SPb

@ibelyalov, спасибо за ссылки!

источник

18:35пожаловаться

VS

Vladimir Shkoda in PyData SPb

Да!

источник

18:35пожаловаться

I

I Апрельский in PyData SPb

Vladimir Shkoda

Да!

если будут вопросы, то пиши — разберемся.
если первый раз слышишь про имейджнет, то видимо далеко от диплернинга. я бы порекомендовал вот это крайне лаконичный, но содержательный набор видео: https://www.youtube.com/playlist?list=PLlMkM4tgfjnJ3I-dbhO9JTw7gNty6o_2m&disable_polymer=true

даже не могу сказать "лекции", потому что по десять-двадцать минут. но вроде прямо от нуля до того, что тебе нужно

YouTube

PyTorchZeroToAll (in English) - YouTube

Basic ML/DL lectures using PyTorch in English.

источник

18:37пожаловаться

E

Eugene in PyData SPb

Transfer Learning для тебя - это разумный подход, потому как с нуля ты эту сеть не обучишь до приемлемого уровня классификации. А с дообучением это вполне реально - улчшить качество на твоём конкретном датасете.

источник

18:37пожаловаться