RetinaNN眼底图像识别项目经历

最新推荐文章于 2023-02-20 15:22:14 发布

ytkml2016

最新推荐文章于 2023-02-20 15:22:14 发布

阅读量421

点赞数

本文链接：https://blog.csdn.net/ytkml2016/article/details/100620519

版权

本文讲述了作者在训练RetinaNN眼底图像识别项目时，从使用便携机到购买台式机的过程。起初，便携机在训练大量图像时效率低下，经过调整参数后仍耗时过长。因此，作者选择了配置高性能的台式机进行训练，大大提高了训练速度，使得原本在便携机上需要数小时的工作在台式机上仅需1小时就能完成。文章最后提到，尽管台式机成本较高，但其效率提升证明了投资的价值，未来还需继续优化算法以提升指标。

摘要由CSDN通过智能技术生成

眼底图像识别的训练和预测编译通过了。开始用便携机进行训练和预测了，然后被迫买了台式机来进行图像模型训练和图像分类预测。具体过程如下：

便携机炼火

前天用便携机配置Intel i5-7300HQ和NIVDIA GeForce GTX1050 ，采用retina 的DRIVE 20 张图像数据，需要训练20轮，每轮训练图像切片 171000张。开始采用便携机训练，风扇呼呼地吹，一轮就用了3个小时，这样训练20轮就要60 个小时，岂不要把便携机累死！后面预测还要多长时间未知。所以训练3轮就停止运行训练模块。

决定减少训练轮数和数据量，于是将配置模块中的N_epochs = 20改成N_epochs = 3，训练模块中的参数 validation_split=0.1改成validation_split= 0.2，

model.fit(patches_imgs_train, patches_masks_train, epochs=N_epochs, batch_size=batch_size, verbose=1, shuffle=True, validation_split=0.1, callbacks=[checkpointer])

这样3轮训练和预测，从早8点干到晚6点，中午便携机也没有歇着。为了避免累死便携机，决定买台台式机来进行训练。

台式机练爽

晚上在网上搜索，确定了