Parâmetros das Redes Neurais

Nesse conjunto de parâmetros são controlados os aspectos relacionados à arquitetura das redes neurais que irão aprender com os exemplos do dataset no treinamento.

Cada tipo de rede neural tem sua própria arquitetura, parâmetros peso e performance. O Eyeflow.AI é uma plataforma extensível, que permite se trabalhar com as mais diversas arquiteturas. Entretanto, nossa experiência de vários projetos já nos ensinou sobre várias arquiteturas que funcionam bem em produção, e é essa experiência que buscamos trazer para a plataforma, e assim simplificar a vida dos usuários.

Nessa fase Beta temos 2 principais componentes que usamos para solucionar todos os problemas que temos encontrado.

Parâmetros de rede neural

Parâmetros para rede neural

Parâmetros de Classificação

Parâmetros de rede neural específicos de classificação

Parameter	Values	Default	Description
Componente	choice [‘class_cnn’]	class_cnn	O componente DNN para o modelo de treinamento
Profundidade da Rede Neural	int [1 - 10]	3	Profundidade (núm camadas) da rede neural
Largura da rede neural	int [5 - 128]	20	Largura (núm features) da Rede Neural
Modo de pré-processamento	choice [‘caffe’, ‘tf’]	caffe	Função para normalizar imagem
Função de perda	choice [‘categorical_crossentropy’, ‘binary_crossentropy’]	categorical_crossentropy	Função de perda para uso em treinamento
Funções de métricas	Array of string	[‘categorical_accuracy’]	Funções de métricas para uso em avaliação
Função Otimizador	choice [‘adam’]	adam	Funções de métricas para uso em avaliação

Parâmetros ObjectDetection

Parâmetros de rede neural específicos de detecção de objeto

Parameter	Values	Default	Description
Componente	choice [‘objdet’]	objdet	O componente DNN para o modelo de treinamento
Largura da rede neural	int [5 - 128]	20	Largura (núm features) da Rede Neural
Backbone de rede neural	choice [‘vgg7’, ‘vgg16’, ‘vgg19’, ‘resnet18’, ‘resnet34’, ‘resnet50’, ‘resnet101’, ‘resnet152’, ‘mobilenet128’, ‘mobilenet160’, ‘mobilenet192’, ‘mobilenet224’, ‘densenet121’, ‘densenet169’, ‘densenet201’]	vgg7	Arquitetura de backbone para rede neural
Modo de pré-processamento	choice [‘caffe’, ‘tf’]	caffe	Função para normalizar imagem
Sobreposição negativa IoU	number [0.05 - 1.0]	0.3	Valor para sobreposição mínima de caixas negativas
Sobreposição positiva IoU	number [0.05 - 1.0]	0.45	Valor para sobreposição mínima de caixas positivas

Parâmetros de âncora

Parâmetros para âncoras de caixas

Parameter	Values	Default	Description
Tamanhos de caixas	Array of integer	[12, 24, 48, 96, 192]	Tamanho das caixas em cada camada
Boxes strides	Array of integer	[8, 16, 32, 64, 128]	Strides de caixas em cada camada
Razões das caixas	Array of number	[0.5, 1, 2]	Proporções (altura / largura) das caixas candidatas
Escalas de caixas	Array of number	[1, 1.2, 1.5]	Escalas de caixas candidatas

Para onde devo ir agora?

• Parâmetros de Treinamento: Parâmetros gerais para treinamento da rede neural
• Parâmetros de Redes Neurais: Parâmetros específicos da rede neural
• Parâmetros de Expansão de Dados: Parâmetros para expansão de dados - Data Augmentation