Deep Learning Ejemplos para descargar

Aprendizaje profundo con Aphelion Dev

Clasificación de imágenes

Este ejemplo permite utilizar un clasificador entrenado con imágenes para estimar una clase para el conjunto de una nueva imagen entre las clases aprendidas. Una clase se puede considerar como una categoría.

La red neuronal utilizada para este clasificador es ResNetV1-101 con 1000 clases y las imágenes utilizadas son de ImageNet, una gran base de datos con mucha diversidad de objetos y animales.

1. Descomprime el ejemplo
2. En Aphelion Dev, seleccione la tarea Desarrollador

3. Abra una imagen del directorio Sample Images/Classification
4. Seleccione la función DeepLearning.Process
5. Elija la imagen de entrada abierta anteriormente
6. Seleccione el archivo xml del clasificador a utilizar navegando por el directorio Networks/Classification

7. Aplicar la función y esperar el resultado
8. Mire en la galería ObjectSets y haga clic derecho para mostrar la cuadrícula

9. La puntuación indica la confianza en la clase devuelta. Aquí la imagen es de clase cebra con un 99,13% de certeza

Detectando rostros en imágenes

Este ejemplo le permite aplicar un clasificador entrenado con imágenes para detectar cuadros desordenados de caras en una nueva imagen.

La red neuronal utilizada para este clasificador es del tipo R-FCN y la base de la imagen es WIDER FACE.

1. Descomprime el ejemplo
2. En Aphelion Dev, seleccione la tarea Desarrollador

3. Abra una imagen del directorio Sample Images/Detection
4. Seleccione la función DeepLearning.Process
5. Elija la imagen de entrada abierta anteriormente
6. Seleccione el archivo xml del clasificador para usar navegando en el directorio Networks/Detection

7. Aplicar la función y esperar el resultado
8. Consulte la galería de ObjectSets, haga doble clic en ObjectSet para mostrar los cuadros de detección en la imagen y haga clic con el botón derecho para mostrar la cuadrícula

9. Al hacer clic en la imagen en un cuadro de detección, se selecciona en la cuadrícula y al hacer clic en una línea de la cuadrícula se selecciona la detección en la imagen
10. La puntuación da un porcentaje de confianza en la clase estimada por el clasificador para cada casilla de detección. Aquí, el rostro seleccionado fue reconocido como un rostro con un 98,32% de certeza