Просмотрел всю серию про классификацию на одном дыхании, хотя уже не первый год работаю в этой сфере! Жду продолжение про другие задачи CV (детекцию, сегментацию и тп.)
Я рад, что вам понравилось. Правда я ещё классификацию не завершил, как минимум есть ещё одна модель в pytorch и ещё кое что хотел сделать. Но всё будет зависеть от свободного времени. В любом случае планов много, только они могут растянуться на годы :)
А вы пробовали сегметировать целевой объект, чтобы вырезать его с фотографии (или занулять фон) и классифицировать только его? Есть подозрение, что свертки цепляют много лишнего из за наличия фона. Это подтверждается тем, что трансформеры опережают свертки в вашем эксперименте. Было бы интересно глянуть на activation maps сверток для различных фотографий. А также вопрос почему выбрали accuracy в качестве метрики качества?
Ещё не сегментировал. Согласен с вами, что было бы интересно взглянуть на activation maps. Что касается accuracy, то выбрал самую простую метрику. А в будущем планировал рассмотреть и другие метрики. Т.е. с одной стороны для простоты, а с другой стороны в научных статьях также сравнивают модели именно по точности.
Спасибо большое Посмотрел всю серию, выделил для себя пару полезных идей для сегментации и классификации Можете пожалуйста направить меня в нужное направление? Хочу также как вы мониторить ресурсы видеокарты во время обучения, но не понимаю какую команду надо прописать или какой скрипт
Я начинающий Data Scientist. Однозначно подписался и поставил лайк! Подскажите пожалуйста книги и курсы, которые вы проходили по CV. Продолжайте делать контент!)
Спасибо за ваше мнение. По возможности буду продолжать. 1. Изучите Python, можно там где учат делать веб приложения, всё равно в будущем будет полезно. 2. Изучите элементы классического компьютерного зрения. Это курсы, которые имеют в своём названии computer Vision и OpenCV. Вы должны понимать как трансформировать изображения (причём с погружением в матричные операции, чтобы сердцем прочувствовать). Операции Edge детекции. Фильтры и тому подобное. Выбирайте курс, чтобы часов так на 20-25. 3. Что касается нейронных сетей то крайне рекомендую книгу: "Neural Networks from Scratch in Python". И пусть английский язык вас не останавливает, хоть с переводчиком, но это ценная книга. 4. Также хорошая книга "Прикладное машинное обучение с помощью Scikit-Learning, Keras и TensorFlow. Это уже второе издание, но если вышло 3-е, то читайте третье... Там на русском, да и общее понимание TensorFlow должно быть, хотя сейчас более популярно PyTorch. 5. И много всего ещё, но то что я перечислил, то это просто как база без которой дальше никак. 6. Ну а дальше уже по научным статьям и примерам с гитхаба. В этой серии видео я привёл только одну задачу, а на самом деле их уже огромное количество в компьютерном зрении.
![Уравнение, которое меняет взгляд на мир [Veritasium]](http://i.ytimg.com/vi/DH1cv0Rdf2w/mqdefault.jpg)
Просмотрел всю серию про классификацию на одном дыхании, хотя уже не первый год работаю в этой сфере! Жду продолжение про другие задачи CV (детекцию, сегментацию и тп.)
Я рад, что вам понравилось. Правда я ещё классификацию не завершил, как минимум есть ещё одна модель в pytorch и ещё кое что хотел сделать. Но всё будет зависеть от свободного времени. В любом случае планов много, только они могут растянуться на годы :)
В какой-то момент был хайп CSP-connection вместо residual, интересно подойдет ли он к ConvNeXt
Может быть..., нужно проверять.
Выходит надо всего-то пройти курсы на курсера)
Выходит так :)
спасибо большое
это очень полезное видео
Спасибо за тёплые слова, стараюсь в каждое видео частичку души вкладывать :)
А вы пробовали сегметировать целевой объект, чтобы вырезать его с фотографии (или занулять фон) и классифицировать только его? Есть подозрение, что свертки цепляют много лишнего из за наличия фона. Это подтверждается тем, что трансформеры опережают свертки в вашем эксперименте. Было бы интересно глянуть на activation maps сверток для различных фотографий. А также вопрос почему выбрали accuracy в качестве метрики качества?
Ещё не сегментировал. Согласен с вами, что было бы интересно взглянуть на activation maps. Что касается accuracy, то выбрал самую простую метрику. А в будущем планировал рассмотреть и другие метрики. Т.е. с одной стороны для простоты, а с другой стороны в научных статьях также сравнивают модели именно по точности.
Спасибо большое
Посмотрел всю серию, выделил для себя пару полезных идей для сегментации и классификации
Можете пожалуйста направить меня в нужное направление? Хочу также как вы мониторить ресурсы видеокарты во время обучения, но не понимаю какую команду надо прописать или какой скрипт
В моих видео показана nvitop
устанавливается как питоновская библиотека. А потом просто в терминале вызывается nvitop и всё
@@Motskin_AI спасибо!
Я начинающий Data Scientist. Однозначно подписался и поставил лайк! Подскажите пожалуйста книги и курсы, которые вы проходили по CV. Продолжайте делать контент!)
Спасибо за ваше мнение. По возможности буду продолжать.
1. Изучите Python, можно там где учат делать веб приложения, всё равно в будущем будет полезно.
2. Изучите элементы классического компьютерного зрения. Это курсы, которые имеют в своём названии computer Vision и OpenCV. Вы должны понимать как трансформировать изображения (причём с погружением в матричные операции, чтобы сердцем прочувствовать). Операции Edge детекции. Фильтры и тому подобное. Выбирайте курс, чтобы часов так на 20-25.
3. Что касается нейронных сетей то крайне рекомендую книгу: "Neural Networks from Scratch in Python". И пусть английский язык вас не останавливает, хоть с переводчиком, но это ценная книга.
4. Также хорошая книга "Прикладное машинное обучение с помощью Scikit-Learning, Keras и TensorFlow. Это уже второе издание, но если вышло 3-е, то читайте третье... Там на русском, да и общее понимание TensorFlow должно быть, хотя сейчас более популярно PyTorch.
5. И много всего ещё, но то что я перечислил, то это просто как база без которой дальше никак.
6. Ну а дальше уже по научным статьям и примерам с гитхаба. В этой серии видео я привёл только одну задачу, а на самом деле их уже огромное количество в компьютерном зрении.
Детекция будет?
Планирую. Правда ещё не завершил классификацию :)