detect_pills_deep_learning第一部分的中英解释

1.1.1

1.1.2

第1.1部分:对象检测模型的创建使用
“创建DL模型检测”创建DL对象检测模型至少需要设置两个参数:
主干:用于提取特征图的预训练网络
Numclasses:类的数量
其他模型参数也可以定制。最重要的部分将在下面的屏幕中解释。

1.1.3

第1.1部分:用于设置图像大小的通用模型参数
在训练/推理速度和GPU内存要求方面，较小的图像尺寸是有利的。
但是，图像大小的选择应该使所包含的对象仍然清晰可见。
图像大小可以设置为“image_width”、“image_height”和“image_num_channels”

1.1.4

第1.1部分:一般模型参数“最小级别”、“最大级别”
在寻找不同大小的物体时，选择合适的层次是至关重要的。
不同大小的生物在不同的层次上被发现。这意味着，层级越高，发现的物体越大。

1.1.5

第1.1部分:通用模型参数“num_subscales”
要实现更多扩展的盒子尺寸被检测到，请使用“num_subscales”。

1.1.6

第1.1部分:通用模型参数“aspect_ratios”
通常，数据集包含具有不同形状的对象。要改进非平方对象的查找，可以使用“纵横比”设置任意长宽比
所有用户定义的通用模型参数都在一个字典中设置，它被“创建dl模型检测”用来创建dl obiect检测模型。

1.2.1

第1.2部分:预处理数据集
创建DL obiect检测模型后，它的底层网络体系结构固定为指定的输入值。
因此，在推理训练过程中传递到模型的数据需要根据模型参数进行预处理。

1.2.2

第1.2部分:预处理数据集
用于DL obiect检测的数据需要用包围框标记
在这里，我们使用一个已经被标记的数据集。这样的数据集是通过“read_”的过程读取的。在本例中，它由一个名为“DLDataset”的字典表示

1.2.3

第1.2部分:预处理数据集
“split dl dataset”过程将数据集随机分成三个子集，这样，相同类的样本按照指定的比例均匀分布在子集上。
为了更真实地评估所学习模型的泛化能力，分割是非常重要的。在本例中，我们使用如下所示的比率进行分割。

1.2.4

第1.2部分:预处理数据集
现在，数据集已经准备好进行预处理。这可以使用’preprocess_dl dataset’来完成。
获取所需的预处理参数从模型。使用“create_dlc…

1.2.5

程序现在将开始创建模型并对数据进行预处理。
读取和分割数据集可能需要几秒钟。
变量inspect窗口将显示预处理的进程。
预处理后，建议检查预处理后的数据集。因此，一些示例将在程序结束时被展示。