Praktisches maschinelles Lernen für Computer Vision

Kapitel 2. ML-Modelle für das Sehen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

In diesem Kapitel lernst du, wie man Bilder darstellt und grundlegende Modelle für maschinelles Lernen trainiert, um Bilder zu klassifizieren. Du wirst feststellen, dass lineare und vollständig verknüpfte neuronale Netze bei Bildern nicht besonders leistungsfähig sind. Du lernst aber auch, wie du die Keras-API nutzen kannst, um ML-Primitive zu implementieren und ML-Modelle zu trainieren.

Tipp

Der Code für dieses Kapitel befindet sich im Ordner 02_ml_models im GitHub-Repository des Buches. Wir geben die Dateinamen für die Code-Beispiele und die Notizbücher an, wo dies möglich ist.

Ein Datensatz für die Maschinenwahrnehmung

Für die Zwecke dieses Buches ist es hilfreich, wenn wir ein einziges praktisches Problem nehmen und eine Vielzahl von maschinellen Lernmodellen erstellen, um es zu lösen. Angenommen, wir haben einen Datensatz mit fast viertausend Fotos von Blumen gesammelt und beschriftet. Es gibt fünf Arten von Blumen im 5-Blumen-Datensatz (siehe Abbildung 2-1), und jedes Bild im Datensatz wurde bereits mit der Art der Blume beschriftet, die es zeigt.

Abbildung 2-1. Die Fotos im 5-Blumen-Datensatz zeigen fünf Arten von Blumen: Gänseblümchen, Löwenzahn, Rosen, Sonnenblumen und Tulpen.

Nehmen wir an, wir wollen ...