我正在开始我的第一个真正的数据科学项目，我做了一个研究，想问问我的方法是否正确：
我有：600 张电子元件的照片，一张照片中有数百个元件，元件的形状和它们之间的距离可能因照片而异，但一张照片中只有一个形状。组件形状为正方形、矩形、椭圆形、“E”形和类似形状
我需要：组件的通用计数器（无论照片上的元素类型是什么）
计划的方法：使用 openCV 分析每张图片以获得预测，然后使用 Tensorflow 和 GPU 训练 CNN（没有以前的经验）。
这是正确的思维方式吗？
CNN 是在图像中查找和计算对象的最佳方法吗？
数据挖掘
张量流
卷积神经网络
图像识别
2021-10-12 06:16:22
1个回答
对于您的情况，我建议使用对象检测网络来定位和分类您的组件。尽管您不需要位置或分类数据，但您仍然可以计算网络检测到的对象数量。此外，这种方法不需要任何数据科学背景，因为有很多关于这个主题的教程和大量开箱即用的工具，例如tensorflow 的对象检测 API。
您将需要注释您的数据，但也有大量程序可以帮助您。 这是我很快找到的一个。
我建议使用带有 NAS 特征提取器的 fast-RCNN，因为虽然它比其他 CNN 架构慢，但它是最准确的。此外，如果您不将所有组件组合到一个类中，网络可能会表现得更好。
完成此任务所需的步骤基本上如下：
- 安装和设置tensorflow
- 从张量流检测模型动物园下载更快的 RCNN NAS
- 通过在组件周围绘制边界框并标记每个边界框来注释数据。
- 训练你的模型
- 保存经过训练的模型后，您只需要设置一个管道，该管道接收输入图像，将其馈送到您的网络，并返回忽略边界框和分类数据的检测总数。 这是一个很好的部署训练模型的教程。