JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Глава 5. Перенос обучения: переиспользование предобученных нейронных сетей
231
Результаты вывода хороши, но не идеальны (см. примеры на рис. 5.13). Изучая их, 
учтите, что оценка, выполняемая в браузере, достаточно справедлива и отражает ис­
тинные возможности обобщения модели, поскольку примеры данных, подаваемые на 
вход этой обученной модели в браузере, отличаются от обучающих и проверочных 
примеров, виденных ею во время обучения.
Листинг 5.11.
Второй этап обучения модели обнаружения объектов
В завершение раздела мы показали, как успешно применить модель, обученную 
ранее для классификации изображений, к другой задаче: обнаружению объектов. 
При этом мы продемонстрировали, как описать пользовательскую функцию по­
терь, подходящую для двойственной сущности (классификации формы объекта + 
+ регрессии для ограничивающего прямоугольника) задачи обнаружения объектов 
и как использовать ее во время обучения модели. Пример не только хорошо иллю­
стрирует основные принципы обнаружения объектов, но и подчеркивает гибкость 
переноса обучения, а также многообразие задач, для которых он применим. В ре­
альных приложениях модели обнаружения объектов, конечно, намного сложнее, 
в них используется больше различных приемов, чем в нашем игрушечном примере 
с искусственно созданным набором данных. В инфобоксе 5.3 приводятся некоторые 
интересные факты о продвинутых моделях обнаружения объектов, их отличия от 
вышеприведенного простого примера, а также рассказывается, как их использовать 
с помощью TensorFlow.js.

---

232
Часть II • Введение в TensorFlow.js
ИНФОБОКС 5.3. Модели обнаружения объектов
промышленного уровня
Обнаружение объектов — важная задача 
для многих типов приложений, включая 
приложения для интерпретации изобра­
жений, промышленной автоматизации 
и беспилотных автомобилей. В числе 
наиболее известных современных мо­
делей обнаружения объ ектов — Single­
Shot Detection
1
(SSD, пример для кото­
рой приведен на рисунке выше) и You 
Only Look Once (YOLO)
2
. Эти модели 
во многих аспектах схожи с моделью из 
нашего примера обнаружения простых 
объектов.
• Предсказывают как класс, так и ме­
стоположение объектов.
• Созданы на основе предобученных 
моделей классификации изображе­
ний наподобие MobileNet и VGG16
3
и обучены посредством переноса об­
учения.
Впрочем, во многих отношениях они 
и отличаются от нашей игрушечной мо­
дели.
• Настоящие модели обнаружения объектов предсказывают намного больше классов 
объектов, чем наша простая модель (например, в наборе данных COCO — 80 кате­
горий объектов; см. 
http://cocodataset.org/#home
).
• Они способны обнаруживать несколько объектов в одном изображении (см. при­
мер на рисунке выше).
• Архитектуры этих моделей намного сложнее, чем архитектура нашей простой 
модели. Например, модель SSD добавляет поверх усеченной предобученной мо­
дели несколько новых верхушек, чтобы предсказать степень уверенности модели 
в классах и ограничивающих прямоугольников для нескольких объектов во вход­
ном изображении.
1 
Liu W. et al.
SSD: Single Shot MultiBox Detector // Lecture Notes in Computer Science, 9905, 
2016, http://mng.bz/G4qD.
2 
Redmon J. et al.
You Only Look Once: Unified, Real­Time Object Detection // Proceedings 
IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016. Pp. 779–788. 
http://mng.bz/zlp1.
3 
Simonyan K., Zisserman A.
Very Deep Convolutional Networks for Large­Scale Image Recogni­
tion // submitted 4 Sept. 2014. https://arxiv.org/abs/1409.1556.
Результат обнаружения объектов 
из TensorFlow.js-версии модели Single-
Shot Detection (SSD). Обратите внимание 
на многочисленные ограничивающие 
прямоугольники и указанные для них классы 
объектов и степень уверенности модели

---