Комментарии 4
Думаю это хорошее начинание, избавляющее простых юзеров от необходимости разбираться с питоном и Keras, хотя там и есть некоторые отличные инструменты вроде numpy, однако на свифт их тоже скоро завезут, да и слишком это муторно работать на двух языках.
Спасибо за статью. Может вы знаете, какую модель использует Apple в iOS для распознавания и классификации фотографий в фотоальбоме, и доступна ли она разработчикам приложений, или упомянутые шаблоны уже содержат в себе эти модели?
Спасибо за статью. Не подскажите по одному вопросу?
Изучаю возможность тренировки модели на устройстве пользователя на маленьком дата сете 3-5 элементов (картинки), чтобы затем на этой модели искать совпадения. Как я понял для этого хорошо подходит k-NN классификатор (его же Apple использует в своем демо приложении). Но k-NN классификатор напрямую не работает с картинками, а только с одномерными векторами чисел (one-dimensional vector of numbers), поэтому чтобы на вход подать картинку нужно из нее получить этот самый вектор чисел и для его получения как раз используют уже натренированные модели. Читал в статье, что вектор чисел будет качественнее из модели которая натренирована на датасете аналогичных объектов, например, если я хочу получить вектор чисел для картинки с котом, то лучше чтобы модель была натренирована только на котах. Но во многих примерах (даже у Apple) используется модель SqueezeNet, которая натренирована на ImageNet (contains 1.2 million images with 1000 categories). То есть модель натренирована на большом количестве разных объектов на картинках, не факт что там было много котов. С этой моделью мои кейсы работают, но меня беспокоит один вопрос, стоит ли мне создать свою модель для получения векторов чисел с помощью тренировки ее только на картинках с котами (с гугла надергать тысячи картинок) через Create ML? Будет ли моя модель производить более качественные вектора чисел чем SqueezeNet?
Изучаю возможность тренировки модели на устройстве пользователя на маленьком дата сете 3-5 элементов (картинки), чтобы затем на этой модели искать совпадения. Как я понял для этого хорошо подходит k-NN классификатор (его же Apple использует в своем демо приложении). Но k-NN классификатор напрямую не работает с картинками, а только с одномерными векторами чисел (one-dimensional vector of numbers), поэтому чтобы на вход подать картинку нужно из нее получить этот самый вектор чисел и для его получения как раз используют уже натренированные модели. Читал в статье, что вектор чисел будет качественнее из модели которая натренирована на датасете аналогичных объектов, например, если я хочу получить вектор чисел для картинки с котом, то лучше чтобы модель была натренирована только на котах. Но во многих примерах (даже у Apple) используется модель SqueezeNet, которая натренирована на ImageNet (contains 1.2 million images with 1000 categories). То есть модель натренирована на большом количестве разных объектов на картинках, не факт что там было много котов. С этой моделью мои кейсы работают, но меня беспокоит один вопрос, стоит ли мне создать свою модель для получения векторов чисел с помощью тренировки ее только на картинках с котами (с гугла надергать тысячи картинок) через Create ML? Будет ли моя модель производить более качественные вектора чисел чем SqueezeNet?
Модели, обученные на imagenet, выдают удивительно хорошие вектора для большинства задач. Конечно, можно делать свой feature extractor и добиться лучшего качества, но если ваша задача не слишком специфическая, я бы не заморачивался. Заниматься этим стоит только если у вас есть действительно много данных для обучения, а метрики итоговой модели вас не устраивают.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Create ML в iOS