本文介绍了基于K210识别数字1-9的相关注意事项…
概述
本文主要介绍基于maix spieed K210的数字识别，通过2021年全国电子设计竞赛-送药小车题展开，本文对该款K210开发板基于yolo2模型识别做一些讨论，如有阐述不到位或是错误，欢迎评论指正。
相关步骤和注意事项
首先该基于yolo2模型的训练是通过maix spieed官方的训练网站maixhub(https://maixhub.com/)进行识别，登录系统后使用模型训练功能新建训练。
项目类型需选择图像检测，创建好项目后需准备待训练的数据，而采集和标注这些数据则是模型训练中至关重要的一个部分，通过对2021年送药小车题的练习，我总结出图像数据的以下几个需要加以注意的关键点：
- 图像数据数量应尽可能偏大，在准备图像数据时，每个标签应准备100-300张图像，因为图像数据的数量间接决定了模型训练时的稳定性和精确度。
- 图像应尽可能具有多样性，准备图像时可通过拍摄不同高度，不同角度的图像来增加图像的多样性，图像的多样性可确保识别时的稳定性，虽然使用多样性的图像数据会导致识别的匹配度降低，但是可以大大提高识别的稳定性。
- 拍摄的图像应尽可能清晰，清晰的图像数据可以在进行模型训练时有更好的效果
- 各个标签拍摄的图象数据的数量不应相差太大
拍摄好所需图像后,使用图像压缩工具(可在download栏目找到)将图像压缩成摄像头所需要的分辨率,最常用的是QVGA(224*224),然后将所有处理好的图像数据上传至maixhub网站模型训练项目的数据集中,点击数据集中的”标注数据”对数据进行标注.
在标注时,需要注意的是,尽可能的只将要识别的内容标注进标注框,而其他的不用识别的内容则尽可能不标注进标注框,通过试验证明该方法可有效增加模型的匹配度.
标注好数据集后,则可创建训练任务,适当选择”图像增强”内的随机处理也可提升模型的质量,但是具体使用哪种方法需要读者多次试验得出结论.
创建任务时的”部署平台”选择nncase即k210系列开发板,训练参数栏的参数可自行设置,通过我的试验,开启”数据均衡”选项有利于提升模型的质量
创建好任务后只需等待模型训练完成即可,训练完成后系统得出的模型的损失和精度需多加注意,最终模型质量的决定性因素在于损失和精度中的val_acc,即模型的预测正确率,
该值可作为评判模型质量的参数之一,训练模型时需尽量将val_acc训练到”1”或是接近”1”.
而需要注意的是,该值仅仅作为精确度的预测,实际识别时,模型的效果往往并没有验证集抽样识别的准确度高,因为实际识别时受到多种内外部因素影响,例如摄像头帧率,光照强度,代码执行速度,后期优化,待识别物位与图像中位置等等.
因此,在实际训练模型时,可对同一数据集进行多次,多参数训练,最后通过实际识别的效果来丰富或是裁剪数据集,例如实际识别时,某个标签识别速度较慢或是匹配度不高,则可适当增加该标签在数据集中的数量来达到提高其识别的效果等.
写在最后
图像识别是自2021国赛后比赛的趋势,而图像识别不仅仅是由模型的质量决定,代码的后期处理也是必不可少的,只有与实际相结合,通过编写适当的处理代码和高质量的模型相结合,才能真正提高识别的准确性和稳定性.
而对于这项技术,我所掌握的也仅仅是九牛一毛,上述内容也仅供读者参考,在实际应用中对图像的识别自然不止这一种方式,读者需打开自己的思路,多查阅资料和应用实例,获得自己想要的识别效果.