基于自定义数据的实例分割模型训练

Datature

已于 2022-07-05 14:17:54 修改

阅读量1k

点赞数

文章标签：人工智能机器学习深度学习

于 2022-07-05 14:17:11 首次发布

本文链接：https://blog.csdn.net/Datature/article/details/125618484

版权

本文介绍了如何在Datature平台上利用Mask R-CNN进行实例分割模型的训练。Datature简化了神经网络模型的使用，支持数据上传、标注、模型训练和部署，尤其适合非程序员。通过平台的拖放界面，用户可以创建训练流程，监控训练进度，并在训练完成后在Portal中可视化模型效果。此外，平台还支持多GPU训练和模型部署。

摘要由CSDN通过智能技术生成

介绍

您是否曾经尝试过使用人工智能（AI）来识别照片中的物品？如果是，那么您可能已经接触过一些目前较为常用的图像识别的技术，例如Mask R-CNN等实例分割模型（Instance Segmentation）。

Mask R-CNN是一个可以提供像素级（per-pixel）物体轮廓显示与分类的深度学习（Deep Learning）模型；它被广泛应用于不同领域，使各行各业都能从人工智能的发展创新中受益。实例包括从医学图像中分辨出病变部分、从检查图像中识别出材料缺陷与测量其相应大小、以及卫星图像或航拍图像分析等。

MaskRCNN应用实例

Datature平台

Datature致力于简化与普及神经网络模型（Neural Network Models）的使用，以在图形用户界面中拖曳及放下（Drag-and-drop）的形式取代繁复的代码，让不会写程序的用户也能轻松地训练出客制化的神经网络模型，支持复杂多样的应用需求。另外，Datature的平台使用了强大的迁移学习（Transfer Learning）技术，使神经网络学习的时间大幅减少。

我们的平台一方面支持程序员以最快速度实施模型，另一方面大大降低非技术人员的入门门槛。以Mask R-CNN模型为例：通常情况下训练一个较大型的Mask R-CNN模型需要多个绘图处理器（GPU）共同完成，然而合理的调配GPU运算资源是一件相当复杂的事情。程序员不但需要具备有关的专业技术知识，编码所需时间亦长。Datature的平台具有自动协调GPU的功能，用户亦能根据模型的复杂程度，选用不同等级的GPU。我们的用户完全不用担心任何的硬体问题，甚至连不会写程序也完全无碍。