跳至內容

變更

View changes from to


On 2024年9月10日 上午9:56:09 [+0800], ncblab7041 朱彥煒:
  • Updated description of 水稻叢影像去背模型 from

    # 模型摘要 ## 1. 模型概述 本模型基於 **U2-NET** 架構,專門用於影像去背。U2-NET 是一種輕量級的深度學習網絡,設計用於高效的前景物體檢測和分割。模型能夠自動將影像中的主要物體與背景進行區分,生成對應的影像遮罩,並實現精確的去背效果。 ## 2. 應用場景 本模型適用於 **無人機空拍影像** 的去背處理,特別是去除土壤、雜草等背景雜訊。具體應用場景包括: * 農業無人機影像分析,去除土壤或背景元素,突出作物 * 環境監測,去除不必要的背景物體,聚焦關鍵分析對象 * 建築工地或礦區監測,去除地表背景雜訊 ## 3. 使用指南 使用本模型的步驟如下: 1. **準備影像**:將無人機拍攝的空拍影像上傳至模型系統。 2. **執行模型**:輸入影像後,U2-NET 模型會自動生成物體與背景的分割遮罩,並進行去背處理。 3. **查看結果**:最終的去背結果會以圖片形式展示,並可供下載。 ### 範例操作 下圖由左至右展示模型的執行過程: 1. **原圖** ![Alt text](https://i.ibb.co/mhCPGNG/download-1.jpg) 2. **模型生成的影像遮罩** ![Alt text](https://i.ibb.co/Fs7rcK7/download-1.png) 3. **最終去背效果** ![Alt text](https://i.ibb.co/h9R2wmZ/1.png)</a> ## 4. Grad-CAM 可視化 (若可用) 若模型支持 **Grad-CAM**,可以使用此技術來可視化模型對輸入影像的注意力分布。Grad-CAM 的熱力圖會展示模型在處理去背時最關注的區域,幫助用戶理解模型的決策過程。以下範例展示了 Grad-CAM 的應用效果: *(待補熱力圖)*
    to
    # 模型摘要 ## 1. 模型概述 本模型基於 **U2-NET** 架構,專門用於影像去背。U2-NET 是一種輕量級的深度學習網絡,設計用於高效的前景物體檢測和分割。模型能夠自動將影像中的主要物體與背景進行區分,生成對應的影像遮罩,並實現精確的去背效果。 ## 2. 應用場景 本模型適用於 **無人機空拍影像** 的去背處理,特別是去除土壤、雜草等背景雜訊。具體應用場景包括: * 農業無人機影像分析,去除土壤或背景元素,突出作物 * 環境監測,去除不必要的背景物體,聚焦關鍵分析對象 * 建築工地或礦區監測,去除地表背景雜訊 ## 3. 使用指南 使用本模型的步驟如下: 1. **準備影像**:將無人機拍攝的空拍影像上傳至模型系統。 2. **執行模型**:輸入影像後,U2-NET 模型會自動生成物體與背景的分割遮罩,並進行去背處理。 3. **查看結果**:最終的去背結果會以圖片形式展示,並可供下載。 ### 範例操作 下圖由左至右展示模型的執行過程: 1. **原圖** ![Alt text](https://i.ibb.co/mhCPGNG/download-1.jpg) <img src="https://i.ibb.co/mhCPGNG/download-1.jpg" alt="Alt text" width="300" height="200"> 2. **模型生成的影像遮罩** <img src="https://i.ibb.co/Fs7rcK7/download-1.png" alt="Alt text" width="300" height="200"> ![Alt text](https://i.ibb.co/Fs7rcK7/download-1.png) 3. **最終去背效果** <img src="https://i.ibb.co/h9R2wmZ/1.png" alt="Alt text" width="300" height="200"> ![Alt text](https://i.ibb.co/h9R2wmZ/1.png)</a> ## 4. Grad-CAM 可視化 (若可用) 若模型支持 **Grad-CAM**,可以使用此技術來可視化模型對輸入影像的注意力分布。Grad-CAM 的熱力圖會展示模型在處理去背時最關注的區域,幫助用戶理解模型的決策過程。以下範例展示了 Grad-CAM 的應用效果: *(待補熱力圖)*


  • Changed value of field nchu_text_dataset_performance_memory_usage to 4 GB in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_verify_result_outout_type to pixel-wide in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_mark_source to 人為標記 in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_result_outout_type to pixel-wide in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_result_type to F1-score in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_mark_datatype to pixel-wide in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_ref_privaricy to 分析資料為水稻空拍影像,無隱私資料 in 水稻叢影像去背模型


  • Changed value of field nchu_texarea_dataset_other to # 模型訓練說明 ## 訓練資料集 模型訓練過程中使用了無人機拍攝的多樣化影像資料,這些影像主要包含農田地區,並包含大量背景雜訊(如土壤、雜草、其他非目標物體)。資料集分為前景物體(如作物)和背景元素,用於指導 U2-NET 模型進行前景/背景分割。 ### 資料處理 - 將影像資料進行預處理,統一影像尺寸。 - 針對每張影像生成對應的分割遮罩,標註前景(作物)和背景(土壤、雜草等)。 - 使用數據增強技術來擴展資料集的多樣性,如旋轉、翻轉、縮放等。 ### 訓練過程 - 模型使用交叉熵損失函數進行優化,針對每個像素點進行分割判斷。 - 使用 Adam 優化器來更新權重參數。 - 模型在 Nvidia GPU 上進行加速訓練,使用 CUDA 技術提升計算效率。 - 訓練過程中的超參數設定: - 批次大小:16 - 學習率:0.001 - 訓練次數:50 個 epoch ### 訓練結果 - 最終模型在訓練集上的損失函數值穩定下降,並達到了預期的收斂效果。 - 模型訓練準確度達到 92%,能夠精準識別前景物體並去除背景雜訊。 --- # 模型驗證說明 使用與訓練資料一致的驗證資料進行測試,評估模型在未見過資料上的表現。模型驗證準確度與訓練集一致,達到 92%,驗證了模型的泛化能力。 --- # 效能量測說明 在測試階段,模型的精確度、召回率和 F1 分數都超過 90%。模型能夠快速處理大規模影像數據,並且在無人機空拍影像中的去背效果顯著,處理時間保持在每張影像 0.5 秒以內,具備實時應用的潛力。 in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_result to F1-score =0.865 in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_cpu_model to i7-8700 CPU 3.20GHz in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_capacity to 2 Gb in 水稻叢影像去背模型


  • Changed value of field nchu_text_dataset_performance_gpu_model to GTX 1060 6GB in 水稻叢影像去背模型