自带数据集并使用OpenVINO™工具包重新训练TensorFlow模型

机器学习要求我们拥有现有数据——不是我们的应用程序在运行时将使用的数据,而是要学习的数据。你需要大量的真实数据,事实上,越多越好。您提供的示例越多,计算机应该能够更好地学习。这是使算法训练成为可能的最关键方面,并解释了为什么机器学习近年来变得如此流行。

GitHub上的OpenVINO Notebooks存储库是一组随时可以运行的Jupyter Notebooks,用于学习和试验OpenVINO™™工具包。这些笔记本介绍了OpenVINO™基础知识,并教开发人员如何利用我们的API进行优化的深度学习推理。其中一个例子是一个名为301-tensorflow-training-openvino.ipynbnotebook,您可以在其中使用TensorFlow*训练模型,然后在本机TensorFlow中运行它,然后使用OpenVINO™工具包。它演示了一个端到端的深度学习训练教程,该教程借用了TensorFlow图像分类教程中的开源代码,演示了如何训练模型,然后转换为OpenVINO™中间表示(IR)。它利用了tf_flowers数据集,其中包括大约3700张花卉照片。

但是,如何修改此notebook,请使用不同的数据集重新训练相同的模型。假设,您想使用水果数据集,重新训练相同的模型并在此新数据集上运行推理,而不是鲜花。需要进行哪些更改?

让我们选择一个有趣的新数据集Fruits-360。这是一个包含水果和蔬菜的图像数据集。顾名思义,它不是另一个包含360种水果的数据集,而是131种水果和蔬菜的集合。该数据集是通过将这些水果和蔬菜安装在旋转360度的棍子上创建的,因此得名。查看研究论文,了解这些数据集图像是如何进行后处理和准备的,用于训练和测试目的。

若要设置基线,请使用花卉数据集中的示例启动现有笔记本并运行推理。

# Pre-process the image and get it ready for inference

inp_img_url = "https://upload.wikimedia.org/wikipedia/commons/4/48/A_Close_Up_Photo_of_a_Dandelion.jpg"

file_path = Path("output")/Path("A_Close_Up_Photo_of_a_Dandelion.jpg")

input_image = pre_process_image(file_path)

# Run inference on the input image

res = compiled_model([input_image])[output_layer]

score = tf.nn.softmax(res[0])

# Show the results

image = Image.open(file_path)

plt.imshow(image)

print("This image most likely belongs to {} with a {:.2f} percent confidence.".format(class_names[np.argmax(score)], 100 * np.max(score)))

以下是此花朵样本图像的分类结果:

现在,要使用Fruits-360数据集,Jupyter notebook中会有一些明显的修改,并且很少进行技术调整。此表显示了所需的第一级更改,您会注意到最显着的差异之一是图像大小。Fruits-360数据集由大小为100x100像素的图像组成。

应用所有必要的代码更改,在新训练的模型上运行推理,并在任何水果或蔬菜上尝试分类结果,例如从数据集中选择下面的红薯或花椰菜图像。

要了解所有代码更改并了解完成此操作所需的步骤,请参加一个名为BYOD-使用数据集重新训练张量流模型20分钟免费教程。它托管在英特尔学习门户上,您可以参加大量有关人工智能的课程。只需注册,OpenVINO™新手就会有一个完整的课程,即10部分学习计划,以及许多新推出的培训课程。祝你学习愉快!

资源

本文最初发表于https://medium.com/openvino-toolkit/bring-your-own-dataset-and-retrain-a-tensorflow-model-with-openvino-toolkit-e5eebf95dd4b

https://www.codeproject.com/Articles/5335239/Bring-your-own-dataset-and-retrain-a-TensorFlow-mo

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值