面向应用的深度学习基础能力建设.pptVIP

Company Logo CSIC 709 Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo 面向应用的深度学习基础能力建设 1. 深度学习应用领域 应用领域 实时语音翻译 自动驾驶 目标识别、手势识别、人脸识别 音乐作曲、绘画 目标分类、照片分类、照片整理 。。。 正解理解深度学习 一个比机器学习更好的分类器（低估），或理解为大脑神经计算（高估）； 具备近似于生物大脑的能力，能高效应用于增强人类或者动物已经可以执行的任务上。 2. 深度学习典型应用框架 Caffe Darknet Yolo Tensorflow 项目目标 算法模型 应用实例 框架开发语言 应用程序接口 可移植性 社区活跃度 技术方向分枝 Object Detector API 技术方向分枝，综合集成 3. DarkNet Yolo V2 目标检测网络开源框架，训练检测速度超快，功能超强。 优点 工作原理 先前检测系统：多使用分类器(classifier)或者定位器(localizer)进行检测任务，把图片的不同局部位置和多种尺度输入到模型中去，图片得分较高的区域(region)作为检测目标。 YOLO方法：把一整张图片一下子应用到一个神经网络中去。网络把图片分成不同的区域，然后给出每个区域的边框预测和概率，并依据概率大小对所有边框分配权重。最后，设置阈值，只输出得分（概率值）超过阈值的检测结果 。 3. DarkNet Yolo V2 输入-检测-输出 3. DarkNet Yolo V2 算法性能比较 3. DarkNet Yolo V2 算法性能比较结论 YOLO模型相比于基于分类器的模型有一些优势，在测试阶段，整张图片一次输入到模型中，所以预测结果结合了图片的全局信息。同时，模型只是用一次网络计算来做预测，而在R-CNN中一张图片就需要进行上千次的网络计算！所以YOLO非常快，比R-CNN快1000倍，比Fast R-CNN快100倍。 3. Darknet Yolo 应用领域 YOLO: Real-Time Object Detection ImageNet Classification Nightmare：绘画风格 RNNs in Darknet：语义处理 DarkGo: Go in Darknet Tiny Darknet：小模型加速 4. Tiny Darknet 4. Tiny Darknet 5. 深度学习训练数据集 公开数据集 PASCAL? VOC 2007、VOC 2012 (20类，约2G) Microsoft COCO 数据集 (80类，约30G) ImageNet 数据集 (1000类，约100G) 自己制作数据集 收集典型图像数据（大小、位置、姿态、颜色、遮挡） 规范化为框架要求的格式 数据标注或分类精确、样本数量足够多 5. 深度学习训练数据集 MNIST Imagenet 5. 深度学习训练数据集 PASCAL VOC COCO 5. 深度学习训练数据集 6. 深度学习 API 支持与设计 Linux 平台 支持最好 C++、Python、Matlab Windows 平台 支持较弱 版本相对滞后 移动平台 不同框架支持差异很大 Tensorflow 源生支持，其他一般要代码移植或共享库调用 7. 发展路线 完善算法库，适应嵌入式平台应用需要 形成目标分类、识别、检测、分割等典型应用软件包 对API接口进行规范化，方便第三方应用平台调用 分析算法性能瓶颈，对算法进行针对性优化 算法速度 算法准确度 算法资源占用 形成算法综合集成应用演示框架 算法：模块化、规范化、可视化 集成框架：按需配置、应用演示多样化 辅助工具系列化 谢 谢！ 结语 首页 Company Logo CSIC 709 Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo Company Logo