Verschillen

Dit geeft de verschillen weer tussen de geselecteerde revisie en de huidige revisie van de pagina.

Link naar deze vergelijking

Volgende revisie 		Vorige revisie
ontwerp-en-generatieproces:ai-kopje:praktisch [2020/04/06 19:50]
127.0.0.1 external edit 		ontwerp-en-generatieproces:ai-kopje:praktisch [2021/06/23 00:53] (huidige)
admin ↷ Pagina verplaatst van ontwerp-en-generatieproces:instamesh:praktisch naar ontwerp-en-generatieproces:ai-kopje:praktisch
Regel 1: Regel 1:
-Links voor het verzamelen van afbeeldingen met kopjes:+==== Tutorials voor het werken met en ontwikkelen van CNN's ====
  
   * [[https://www.youtube.com/watch?v=wQ8BIBpya2k&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN | Playlist met tutorialvideo's]] (6 stuks) over het bouwen, analyseren en verbeteren van CNN's met keras/tensorflow/tensorboard.   * [[https://www.youtube.com/watch?v=wQ8BIBpya2k&list=PLQVvvaa0QuDfhTox0AjmQ6tvTgMBZBEXN | Playlist met tutorialvideo's]] (6 stuks) over het bouwen, analyseren en verbeteren van CNN's met keras/tensorflow/tensorboard.
-  * Instructies om zelf plaatjes te labelen en een yolo-model mee te trainen: https://timebutt.github.io/static/how-to-train-yolov2-to-detect-custom-objects/ +  * [[https://timebutt.github.io/static/how-to-train-yolov2-to-detect-custom-objects/ | Instructies om zelf plaatjes te labelen en een yolo-model mee te trainen.]] 
-  * Een grote en goed geannoteerde dataset: [[https://storage.googleapis.com/openimages/web/index.html|Open images dataset (OID)]] + 
-    * Wellicht kunnen we een getraind model gebruiken ([[https://storage.googleapis.com/openimages/web/extras.html|hier te vinden]]) +==== Data en projecten voor concreet gebruik ==== 
-  * Een script om afbeeldingen voor specifieke labelclasses te downloaden uit OID: [[https://github.com/monocongo/openimages/tree/issue_7_segmentation_support|github.com/monocongo/openimages (branch issue_7_segmentation_support)]] + 
-  * IoU (intersection over union) uitgelegd op [[https://www.pyimagesearch.com/2016/11/07/intersection-over-union-iou-for-object-detection/|pyimagesearch]]+=== Mask R-CNN-implementaties === 
 + 
 +  * De implementatie die we nu gebruiken is [[https://github.com/fizyr/keras-maskrcnn | keras-maskrcnn]] (inmiddels zelf geforkt). 
 +  * Een andere (veel bekendere) die we ook kunnen proberen is [[https://github.com/matterport/Mask_RCNN | die van matterport]]. 
 +  * Zowel een tutorial voor het toepassen van de matterport mask R-CNN als een lijst van annotatietools is [[https://engineering.matterport.com/splash-of-color-instance-segmentation-with-mask-r-cnn-and-tensorflow-7c761e238b46 | hier te vinden]], daarnaast is er de oid annotatietool. 
 + 
 +=== Datasets === 
 + 
 +  * Een grote en goed geannoteerde dataset: [[https://storage.googleapis.com/openimages/web/index.html|Open images dataset (OID)]]. 
 +    * (Getrainde modellen zijn [[https://storage.googleapis.com/openimages/web/extras.html | hier te vinden]], maar voor ons doel niet bruikbaar.) 
 +    * Script om afbeeldingen voor specifieke labelclasses te downloaden uit OID: [[https://github.com/monocongo/openimages/tree/issue_7_segmentation_support|github.com/monocongo/openimages (branch issue_7_segmentation_support)]] (inmiddels zelf geforkt). 
 +  * Een andere grote en goed geannoteerde dataset is [[http://cocodataset.org | COCO]]. 
 + 
 +==== Cloud-services voor machine learning ==== 
 + 
 +Naast eigen computer (wat problematisch is vanwege te weinig video-ram): 
 +  * Amazon/Google/Microsoft 
 +  * [[https://paperspace.com | Paperspace cloud computing]] 
 +  * [[https://vast.ai | vast.ai]] - gedistribueerde cloud computing waarbij gebruikers ongebruikte rekentijd beschikbaar te stellen; goedkoper dan andere diensten en je kunt ook je eigen machine ter beschikking stellen (afh. van GPU en overige specs)
Laatst gewijzigd: le 2020/04/06 19:50

Paginahulpmiddelen