machine-learning - Google Vision api 与构建您自己的 API

Question

关闭。这个问题是 opinion-based 。目前不接受答案。

---

想要改进这个问题吗？更新问题，以便 editing this post 可以用事实和引文来回答它。 .

已关闭 5 年前。

Improve this question

我有一个非常具有挑战性的图像识别用例。我想检测混合回收的成分，例如压碎 jar 头、纸张、瓶子并检测任何异常情况，例如玻璃、袋子、鞋子等。

使用 Google Vision API 尝试图像，结果主要是“垃圾”、“回收”、“塑料”等，可能是因为 API 尚未接受过像这样的混合和 splinter Material 的训练？

对于这样的事情，我是否必须采用 tensorflow 之类的东西并从我自己的图像构建神经网络？我想我不需要为此使用谷歌，因为 tensorflow 是开源的？

谢谢。

Answer 1

因此，一般来说，当您将机器学习应用于新的现实世界用例时，最好获取代表性数据集，在您的情况下，它将是这些垃圾 Material 的图像。

然后您可以选择合适的检测模型(VGG、Inception、ResNet)，修改最终分类层以输出您需要的尽可能多的类别标签(在您的情况下可能是“正常”或“异常”，所以 2 个类别) .

然后加载该网络的预训练权重，因为学习到的特征会泛化(谷歌“迁移学习”)，随机初始化修改后的分类层，然后训练最后一层，也许训练最后两层，或者最后三层(取决于什么最有效、您拥有多少数据、泛化)等。

所以，简而言之:1. 选择一个预训练模型。2.针对您的问题进行修改。3. 微调您自己的数据集上的权重。