📋
docs.binaexperts.com
  • Introduction
  • Get Started
  • Organization
    • Create an Organization
    • Add Team Members
    • Role-Based Access Control
  • Datasets
    • Creating a Project
    • Uploading Data
      • Uploading Video
    • Manage Batches
    • Create a Dataset Version
    • Preprocessing Images
    • Creating Augmented Images
    • Add Tags to Images
    • Manage Categories
    • Export Versions
    • Health Check
    • Merge Projects and Datasets
    • Delete an Image
    • Delete a Project
  • annotate
    • Annotation Tools
    • Use BinaExperts Annotate
  • Train
    • Train
    • Framework
      • Tensorflow
      • PyTorch
      • NVIDIA TAO
      • TFLite
    • Models
      • YOLO
      • CenterNet
      • EfficientNet
      • Faster R-CNN
      • Single Shot Multibox Detector (SSD)
      • DETR
      • DETECTRON2 FASTER RCNN
      • RETINANET
    • dataset healthcheck
      • Distribution of annotations based on their size relative
      • Distribution of annotations based on their size relative
    • TensorBoard
    • Hyperparameters
    • Advanced Hyperparameter
      • YAML
      • Image Size
      • Validation input image size
      • Patience
      • Rectangular training
      • Autoanchor
      • Weighted image
      • multi scale
      • learning rate
      • Momentum
  • Deployment
    • Deployment
      • Legacy
      • Deployment model (Triton)
    • Introducing the BinaExperts SDK
  • ابزارهای نشانه گذاری
  • استفاده از نشانه گذاری بینااکسپرتز
  • 🎓آموزش مدل
  • آموزش
  • چارچوب ها
    • تنسورفلو
    • پایتورچ
    • انویدیا تاو
    • تنسورفلو لایت
  • مدل
    • یولو
    • سنترنت
    • افیشنت نت
    • R-CNN سریعتر
    • SSD
    • DETR
    • DETECTRON2 FASTER RCNN
  • تست سلامت دیتاست
    • توزیع اندازه نسبی
    • رسم نمودار توزیع
  • تنسوربرد
  • ابرمقادیر
  • ابرمقادیر پیشرفته
    • YAML (یامل)
    • اندازه تصویر
    • اعتبار سنجی تصاویر ورودی
    • انتظار
    • آموزش مستطیلی
  • مستندات فارسی
    • معرفی بینااکسپرتز
    • آغاز به کار پلتفرم بینااکسپرتز
  • سازماندهی
    • ایجاد سازمان
    • اضافه کردن عضو
    • کنترل دسترسی مبتنی بر نقش
  • مجموعه داده ها
    • ایجاد یک پروژه
    • بارگذاری داده‌ها
      • بارگذاری ویدیو
    • مدیریت دسته ها
    • ایجاد یک نسخه از مجموعه داده
    • پیش‌پردازش تصاویر
    • ایجاد تصاویر افزایش یافته
    • افزودن تگ به تصاویر
    • مدیریت کلاس‌ها
  • برچسب گذاری
    • Page 3
  • آموزش
    • Page 4
  • استقرار
    • Page 5
Powered by GitBook
On this page

Was this helpful?

  1. ابرمقادیر پیشرفته

اندازه تصویر

اندازه حداکثری برای تصاویر ورودی در طول آموزش بستگی به چندین عامل دارد از جمله معماری شبکه عصبی، منابع محاسباتی موجود، و خصوصیات مجموعه داده. اندازه حداکثری ثابتی وجود ندارد که به طور عمومی برای تمام سناریوها اعمال شود، بلکه این تصمیم باید بر اساس نیازها و محدودیت های خاص پروژه شما اتخاذ شود. در زیر برخی از ملاحظاتی آورده شده است که به شما کمک می کند تا اندازه حداکثری برای تصاویر ورودی آموزش را تعیین کنید:

  • معماری شبکه عصبی: معماری های مختلف ممکن است محدودیت های متفاوتی در اندازه تصویر ورودی داشته باشند. برخی از معماری ها، مانند شبکه های کاملاً کانولوشنی، ممکن است در اندازه های ورودی انعطاف پذیرتر باشند، در حالی که دیگران، مانند کسانی که بر اساس مدل های پیش آموخته شده هستند، ممکن است نیازهای ثابتی در اندازه ورودی داشته باشند.

  • منابع محاسباتی: تصاویر ورودی بزرگتر نیاز به حافظه و قدرت پردازش بیشتری دارند، بنابراین اندازه حداکثری ممکن است توسط منابع محاسباتی موجود، مانند حافظه GPU، محدود شود.

  • خصوصیات مجموعه داده: خصوصیات مجموعه داده، مانند تنوع در اندازه اشیاء و نسبت های جنبه، ممکن است بر انتخاب اندازه تصویر ورودی تأثیر بگذارد. مهم است که اندازه ای را انتخاب کنید که جزئیات کافی برای اشیاء مورد علاقه در مجموعه داده را ضبط کند.

  • اهداف آموزش: اهداف آموزش و نیازهای عملکرد همچنین ممکن است بر انتخاب اندازه تصویر ورودی تأثیر بگذارد. به عنوان مثال، اگر جزئیات با وضوح بالا برای تشخیص دقیق یا برش مهم است، ممکن است نیاز به اندازه ورودی بزرگتر باشد.

  • افزایش داده: تکنیک های افزایش داده مانند برش تصادفی و تغییر اندازه می تواند کمک کند تا اثرات استفاده از اندازه های ورودی کوچکتر در طول آموزش را کاهش دهد. با این حال، مهم است که اطمینان حاصل کنید که افزایش داده تحریف یا آثار غیر واقعی را معرفی نمی کند. در عمل، رایج است که در طول آموزش با اندازه های ورودی مختلف آزمایش کنید تا تعادل بهینه بین عملکرد مدل و کارایی محاسباتی را پیدا کنید. شروع با اندازه متوسط و افزایش تدریجی آن در حالی که پیشرفت و عملکرد آموزش را بر روی یک مجموعه اعتبارسنجی نظارت می کنید، روش خوبی برای تعیین اندازه حداکثری برای تصاویر ورودی آموزش است.

PreviousYAML (یامل)Nextاعتبار سنجی تصاویر ورودی

Last updated 11 months ago

Was this helpful?