Deep-Learning-Tutorial Teil 2: Modellerstellung mit Convolutional Neural Network

Teil 2 dieses Deep-Learning-Tutorials beschäftigt sich mit dem Training eines in Keras implementierten YOLOv3-Modells zur Objekterkennung.

Artikel verschenken
In Pocket speichern vorlesen Druckansicht
Deep-Learning-Tutorial, Teil 2: Modellbau
Lesezeit: 18 Min.
Von
  • Ramon Wartala
Inhaltsverzeichnis

Während sich der erste Teil dieses Tutorials um das Erstellen, Beschaffen und Anreichern der benötigten Bilddaten drehte, sodass die darauf zu erkennenden Objekte gekennzeichnet sind, geht es nun in Teil 2 um das Modelltraining. Das Deep-Learning-Modell aus dem Beispiel soll Figuren aus der Star-Wars-Serie von LEGO erkennen, doch der dargestellte Ansatz ist so generisch, dass er sich auf beliebige Objekte anwenden lässt. Die Objekterkennung kann nach dem Training sowohl auf gespeicherten Bildern oder Videos als auch auf den Livebildern einer Kamera stattfinden.

Je mehr unterschiedliche Daten man für das Trainieren eines Deep-Learning-Modells verwendet, desto mehr statistische Varianz erzeugt man und umso besser wird die Erkennungsrate bei neuen, noch unbekannten Bildern.

Um die Präzision eines trainierten Machine-Learning-Modells zu bewerten, benötigt man nicht nur Trainingsdaten, die man kennt, sondern auch einen Satz mit Testdaten. Dazu teilt man das aufbereitete Material in der Regel in zwei Gruppen auf: Achtzig bis neunzig Prozent dienen dem Modelltraining, zehn bis zwanzig Prozent behält man zum Testen des trainierten Modells zurück. Im Repository zum Artikel auf GitHub finden sich die Trainings- und Testdaten für die Star-Wars-Figuren aus dem Beispiel.