Deep-Learning-Tutorial, Teil 1: Bilder für das Modelltraining aufbereiten

Das dreiteilige Deep-Learning-Tutorial zeigt Modelle anzupassen, zu trainieren und auf Embedded-Hardware, wie dem Jetson Nano, zur Objekterkennung zu nutzen.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht 3 Kommentare lesen
Bilder für das Modelltraining aufbereiten
Lesezeit: 20 Min.
Von
  • Ramon Wartala
Inhaltsverzeichnis

Die Entwicklung eines Deep-Learning-Modells, das nicht nur irgendwelche, sondern die eigenen Objekte erkennt, ist mit vielen Fragen verbunden: Mit welcher Plattform oder Umgebung möchte ich arbeiten? Was ist meine favorisierte Programmiersprache? Kann und darf ich das fertige Modell in einer Cloud einsetzen oder muss ich mit meinen Daten on Premises bleiben, vielleicht sogar auf einem lokalen Rechner? Welches Deep-Learning-Framework passt am besten? Auf welchem Zielsystem soll mein trainiertes Modell später laufen? Benötigt es einen leistungsstarken Server oder muss es mit beschränkten Hardwareressourcen auf einem Mobiltelefon oder einem anderen Embedded-Device zurechtkommen?

Zum Trainieren des gewählten Modells sind daneben viele Beispielbilder zu beschaffen. Und wenn man diese in ausreichender Zahl hat, müssen die zu erkennenden Objekte in jedem Bild eingezeichnet werden, damit das Deep-Learning-Modell lernen kann, was es erkennen soll.

Tutorial: Neuronale Netze und KI-Beschleuniger

Dieses dreiteilige Tutorial geht auf all diese Fragen und Herausforderungen ein und zeigt einen generischen Weg auf, wie sich ein künstliches neuronales Netz für die automatische Erkennung von Objekten in eigenen oder fremden Bildern realisieren lässt.