, ,

将迁移学习应用于花卉识别

GitHub分支 阅读教程

为了在图像分类中获得满意的结果,通常需要完成费时费力的数据采集和注释任务。 迁移学习技术可以减少添加新类所需的图像数量和训练时间,借此成功应对这一挑战。 在本用例中,我们将这一技术应用于花卉分类,但它还可以扩展到许多其他用例。

方法

  • 在STM32 Model Zoo可以找到所需的所有模型,您可以用自己的数据对模型进行训练和再训练
  • 该解决方案使用一种名为“迁移学习”的技术快速训练深度学习模型,来完成图像分类
  • 该模型可以通过STM32 Model Zoo的Python脚本轻松部署在STM32H747探索套件上
  • 演示的用例基于花卉识别。

传感器

视觉:摄像头模块捆绑包(参考:B-CAMS-OMV

数据

数据集花卉识别数据集(许可证CC BY 2.0)
数据格式
5种花卉类别:雏菊、蒲公英、玫瑰、向日葵、郁金香
RGB彩色图像

结果

模型:MobileNetV2 alpha 0.35

输入大小:128x128x3

存储器占用:
406.86 KB Flash存储器用于加权
224.5 KB RAM用于激活

准确率:
浮点模型:86.78%
量化模型:86.38%

400 MHz时STM32H747(高性能)的性能
推理时间:110.27 ms
帧率:9.0 fps

STM32Cube.AI花卉识别用例更新了混淆矩阵
混淆矩阵