聊聊視覺算法

jason6

前陣子有幾個供應商來推薦他們的視覺設備，跟我聊視覺深度學習，后來我問了幾個問題，答不上來就不了了之了，說明自己都不知道用來干嘛的。這個細分領域，亦是魚龍混雜，做的好的少之甚少。

我問了5個問題：

1. 是否可以遷移訓練模型？例如之前用2000張圖像的目標檢測模型，新發現的幾張NG圖像加入重新訓練？

2. 你們家的深度學習是基于哪幾個深度學習框架的？
--- TensorFlow
--- pytorch
--- Keras
--- Caffe
--- Theano
--- CNTK

3. 你們的視覺深度學習目前支持哪幾種應用場景？
--- 分類檢測
--- 目標檢測
--- 語義分割
--- 還是其他？

4. 是否有獨立的標注軟件？（他們問什么是標注軟件？）
--- 標注軟件就是人工把缺陷位置圈出來，這就是標注。

5. 你們目前的模型是什么格式的？是否可以使用通用的ONNX推理？

huhu2

現在只剩下兩家了，google的TENSORFLOW和facebook的pytorch，caffe是奄奄一息，其他的墳頭長草了吧！遷移學習應該是指比如你原先識別的是黑白的中文或數字，換為彩色的中文或數字是否也可以快速的識別。另外ONNX主要是把訓練好的模型發布到網上服務器上給用戶使用，tensorflow用自家的軟件部署或發布，其他家都用ONNX部署吧。

hxglty

那些視覺軟件基本上都內嵌了大把的算法庫，隨便改改就可以用了，比如說Halcon

學者11

我覺得是你的提問就顯得欠缺語法，比如第一個問題，換成“在視覺深度學習領域，之前用2000張圖像訓練過的目標檢測模型，現在新加入幾張NG圖像是否可以進行重新訓練？”，這種描述是不是更好？
答案是當然可以，然而在這樣做之前，你需要考慮以下幾個方面：
數據一致性：確保新的圖像與原來的訓練集在數據分布上保持一致，避免引入數據偏移。
數據質量：“NG圖像”的質量可能會對訓練過程產生影響。如果這些圖像是低質量的或者標注有誤，那么它們可能會影響模型的整體性能。
數據量影響：雖然添加少量圖像通常不會顯著改變模型的行為，但如果這些圖像具有很強的代表性或包含重要的特征，則有可能對模型產生積極的影響。反之，如果這些圖像的質量較差，也有可能導致模型性能下降。
如果你擔心新的圖像會對現有模型造成負面影響，可以嘗試使用遷移學習的方法，僅微調模型的部分層而不是整個網絡。
另外，也可以采用增量學習的方法，這樣模型可以逐步適應新的數據而不完全忘記舊的數據上的學習成果。

人家不愿意回答采用的是哪種深度學習框架也很正常，這屬于商業機密。

你問人家ONNX推理的事，對方只會認為你有惡意。因為通過ONNX，開發者可以使用一種深度學習框架訓練模型，然后在另一種框架或者專門的高性能推理引擎中運行這個模型。所以對方會想，你該不會想偷我們的模型，然后在你們公司的框架上運行這個模型吧。人家賣的是服務，沒打算把家賣給你啊。

所以根本原因是你的提問已經大大超過了一個普通用戶的需求，很多是創業者才會想到的。

leioukupo

這5個問題都不知道，那還不如我，至少我知道
我是不是也能去做視覺產品了

m2006410

無法言喻1977

學者11 發表于 2024-8-30 17:02
我覺得是你的提問就顯得欠缺語法，比如第一個問題，換成“在視覺深度學習領域，之前用2000張圖像訓練過的目 ...

本質被你看到了。

cangzhoumj

大有前途啊

救贖.

會不會覺得你是同行提問

救贖.

我們就是拿樣品過去給他做視覺分析  OK后 我再拿一批料過去給他判斷，拿判斷過的產品OK  NG 回來公司用自己的檢測方法判斷他們的視覺是否可行，可以就買 不行就在商量 或者換一家