RasterObjectDetectionModelTrainer
Entraîne un modèle personnalisé de détection d'objets rasters basé sur les échantillons positifs et négatifs.
Utilisations typiques
Entraîne un modèle de détection d'objets raster personnalisé basé sur les jeux de données positifs et négatifs. Le fichier modèle résultant peut être utilisé pour détecter l'objet souhaité à l'aide d'un RasterObjectDetector. Pour plus de commodité, vous pouvez obtenir les jeux de données d'entrée à partir de RasterObjectDetectorSamplePreparer qui prend plusieurs échantillons positifs et un certain nombre d'échantillons négatifs pour la préparation. Vous pouvez également générer des échantillons artificiels en utilisant RasterObjectDetectorSampleGenerator (notez que les échantillons générés artificiellement ont généralement de moins bonnes performances que les échantillons choisis à la main).
Notez que le Transformer appelle un processus externe (opencv_traincascade) pour effectuer l'apprentissage du modèle. Pour le moment, si le Transformer est suspendu ou arrêté, le processus opencv_traincascade va rester en cours d'exécution et devra être tué manuellement.
Configuration
Ports en entrée
Input
Le Transformer accepte n'importe quelle entité, mais son contenu est largement ignoré. Une entrée possible serait l'entité sortante de RasterObjectDetectorSamplePreparer, qui contiendra un certain nombre de paramètres d'entrée nécessaires à la traduction.
Ports de sortie
Output
Le port retourne l'entité d'origine _out_detection_model_name contenant le chemin vers le modèle de détection personnalisé produit.
<Rejected>
Ce port retourne une entité avec son contenu d'origine et un attribut fme_rejection_message contenant le message d'erreur.
Gestion des entités rejetées : ce paramètre permet d'interrompre la traduction ou de la poursuivre lorsqu'elle rencontre une entité rejetée. Ce paramètre est disponible à la fois comme option par défaut de FME et comme paramètre de traitement.
Paramètres
Echantillons en entrée
Fichier d'échantillons positifs
|
Fichier .vec positif. Peut être produit par RasterObjectDetectorSamplePreparer ou RasterObjectDetectorSampleGenerator. Voir leur documentation pour plus de détails. Alternativement, ce fichier peut être produit en appelant manuellement l'application opencv_createsamples. |
Fichier de description d'arrière plan
|
Fichier de description des échantillons négatifs. Doit contenir les chemins absolus de vos images d'échantillons négatifs, une image par ligne du fichier. Peut être produit par RasterObjectDetectorSamplePreparer ou RasterObjectDetectorSampleGenerator. Voir leur documentation pour plus de détails. |
Nombre d'échantillons positifs
|
Nombre d'echantillons négatifs contenus dans Fichier échantillons positifs.
|
Nombre d'échantillons négatifs
|
Nombre d'échantillons négatifs contenus dans le fichier de description de fond.
|
Paramètres d'entraînement
Type de modèle d'entraînement
|
- HAAR : entraîne le modèle de détection en utilisant des entités de type Haar, qui sont des entités rectangulaires représentant une différence de la somme des pixels dans la zone. Ce modèle est généralement plus long à entraîner et son temps de détection est plus lent (la vitesse dépend fortement de la complexité du modèle et non d'une vérité générale sur les types de modèles). Cependant, ce type de modèle est généralement plus précis que les entités LBP.
- LBP : Le modèle utilisera des motifs binaires locaux pour la détection des objets. L'inverse (par rapport à l'entité HAAR) est vrai en ce qui concerne les performances. Les modèles LBP sont considérablement plus rapides à former mais peuvent manquer de précision dans certaines applications.
|
Largeur et hauteur de l'échantillon
|
Largeur et hauteur de la fenêtre de détection résultante. Doivent être les mêmes que la taille des échantillons positifs spécifiés dans le fichier .vec d'entrée. Ces paramètres peuvent être acquis à partir RasterObjectDetectorSamplePreparer de ou RasterObjectDetectorSampleGenerator.
|
Taille de la zone tampon
|
Taille de la mémoire tampon pour les valeurs des entités en Mo (mégaoctets). Plus la mémoire est importante, plus le processus de formation sera rapide. Assurez-vous que la mémoire combinée spécifiée pour les tailles de tampon des valeurs et des index ne dépasse pas la mémoire totale du système.
|
Taille Index tampon
|
Taille du tampon pour les indices d'entités en Mo (mégaoctets). Plus la mémoire est importante, plus le processus de formation sera rapide. Assurez-vous que la mémoire combinée spécifiée pour les tailles de tampon des valeurs et des indices ne dépasse pas la mémoire totale du système.
|
Avancé
|
Nombre d'étapes
|
Nombre d'étapes en cascade à former.
|
Rapport d'acceptation Valeur de rupture
|
Le paramètre détermine la précision à laquelle le modèle sera entraîné. Une bonne ligne directrice consiste à ne pas entraîner le modèle au-delà de 10e-5 (0,000001), afin de s'assurer que le modèle n'est pas surentraîné sur les données.
|
Intensité du parallélisme
|
AUCUN PARALLÉLISME | MINIMAL | MODÉRÉ | AGRESSIF | EXTRÊME. Ce paramètre détermine le nombre de threads à utiliser pour le traitement. AUCUN PARALLÉLISME signifie un traitement monofil. Sur une machine à 16 cœurs (virtuels), les autres options correspondent respectivement à 8, 16, 24 et 32 threads.
|
|
Output
Répertoire intermédiaire de travail
|
- Répertoire de travail où seront placés les étapes intermédiaires et les paramètres pour l'entraînement du modèle de détection.
- Parfois, l'entraînement peut prendre des jours, voire des semaines. En cas d'interruption, l'entraînement peut être poursuivi avec les mêmes paramètres de la dernière "bonne" étape d'entraînement connue, qui sera sauvegardée dans ce répertoire.
- Les paramètres de formation doivent correspondre exactement, sinon la formation sera recommencée depuis le début. De plus, si vous voulez refaire l'apprentissage avec les mêmes paramètres, mais que vos échantillons ont peut-être changé, vous devrez supprimer les sorties dans le répertoire intermédiaire.
|
Modèle de détection
|
Chemin du fichier qui contient le modèle de détection entraîné.
|
Paramètres du Classifieur boosté
Paramètres du Classifieur boosté
|
Extrait d'OpenCV : Une tâche courante d'apprentissage automatique est l'apprentissage supervisé. Dans l'apprentissage supervisé, le but est d'apprendre la relation fonctionnelle F : y = F(x) entre l'entrée x et la sortie y. La prédiction de la sortie qualitative est appelée classification, tandis que la prédiction de la sortie quantitative est appelée régression.
Vous pouvez en savoir plus sur les paramètres de boosting dans la OpenCV Documentation et dans Boosting Documentation
|
Éditer les paramètres des Transformers
À l'aide d'un ensemble d'options de menu, les paramètres du Transformer peuvent être attribués en faisant référence à d'autres éléments du traitement. Des fonctions plus avancées, telles qu'un éditeur avancé et un éditeur arithmétique, sont également disponibles dans certains Transformers. Pour accéder à un menu de ces options, cliquez sur
à côté du paramètre applicable. Pour plus d'informations, voir Options de menus et paramètres de Transformer.
Définir les valeurs
Il existe plusieurs façons de définir une valeur à utiliser dans un Transformer. La plus simple est de simplement taper une valeur ou une chaîne de caractères, qui peut inclure des fonctions de différents types comme des références d'attributs, des fonctions mathématiques et de chaînes de caractères, et des paramètres d'espace de travail. Il existe un certain nombre d'outils et de raccourcis qui peuvent aider à construire des valeurs, généralement disponibles dans le menu contextuel déroulant adjacent au champ de valeur.
Définir des valeurs de paramètres
Utilisation de l'éditeur de texte
L'éditeur de texte fournit un moyen efficace de construire des chaînes de textes (dont les expressions régulières) à partir de données source diverses, telles que des attributs, des paramètres et des constantes, et le résultat est directement utilisé dans le paramètre.
Editeur de texte
Utilisation de l'éditeur arithmétique
L'éditeur arithmétique fournit un moyen simple de construire des expressions mathématiques à partir de plusieurs données source, telles que des attributs et des fonctions, et le résultat est directement utilisé dans un paramètre.
Éditeur arithmétique
Valeur conditionnelle
Définit des valeurs selon un ou plusieurs tests.
Fenêtre de définition de conditions
Contenu
Les expressions et chaînes de caractères peuvent inclure des fonctions, caractères, paramètres et plus.
Lors du paramétrage des valeurs - qu'elles soient entrées directement dans un paramètre ou construites en utilisant l'un des éditeurs - les chaînes de caractères et les expressions contenant des fonctions Chaîne de caractères, Math, Date et heure ou Entité FME auront ces fonctions évaluées. Par conséquent, les noms de ces fonctions (sous la forme @<nom_de_fonction>) ne doivent pas être utilisés comme valeurs littérales de chaîne de caractères.
Options - Tables
Les Transformers avec des paramètres de style table possèdent des outils additionnels pour remplir et manipuler des valeurs.
Outils de tableau
Réordonner
|
Activé une fois que vous avez cliqué sur un élément de ligne. Les choix comprennent :
- Ajouter une ligne
- Supprimer une ligne
- Déplacer la ligne en cours au dessus
- Déplacer la ligne en cours en dessous
- Déplacer la ligne en cours en haut de liste
- Déplacer la ligne en cours en bas de liste
|
Couper, Copier et Coller
|
Activé une fois que vous avez cliqué sur un élément de ligne. Les choix comprennent :
- Couper une ligne - supprime et copie dans le presse-papiers.
- Copie une ligne dans le presse-papiers.
- Colle une ligne depuis le presse-papiers.
Copier, copier et coller peuvent être utilisés au sein d'un Transformer ou entre Transfromers.
|
Filtre
|
Commencez à taper une chaîne de caractères, et la matrice n'affichera que les lignes correspondant à ces caractères. Recherche dans toutes les colonnes. Cela n'affecte que l'affichage des attributs dans le Transformer - cela ne change pas les attributs qui sont sortis. |
Importer
|
Le bouton d'import remplit la table avec un jeu de nouveaux attributs lus depuis un jeu de données. L'application spécifique varie selon les Transformers. |
Réinitialiser/Rafraîchir
|
Réinitialise la table à son état initial, et peut fournir des options additionnelles pour supprimer des entrées invalides. Le comportement varie d'un Transformer à l'autre.
|
Note : Tous les outils ne sont pas disponibles dans tous les Transformers.
FME Community
FME Community iest l'endroit où trouver des démos, des tutoriaux, des articles, des FAQ et bien plus encore. Obtenez des réponses à vos questions, apprenez des autres utilisateurs et suggérez, votez et commentez de nouvelles entités.
Rechercher des exemples et informations à propos de ce Transformer dans FME Community.
Hasklig-Bold.ttf
Hasklig-BoldIt.ttf
Hasklig-Regular.ttf
OpenSans-Bold.ttf
OpenSans-BoldItalic.ttf
OpenSans-Italic.ttf
OpenSans-Regular.ttf
SourceSansPro-Bold.ttf
SourceSansPro-BoldItalic.ttf
SourceSansPro-Italic.ttf
SourceSansPro-Regular.ttf