[App4AI] CSPNet

CSPNet 演算法優化深度學習網路結構，除了準確度是世界第一之外，還能在邊緣運算嵌入式系統上維持超高的推論速度，可應用在工廠瑕疵檢測、車流分析、人流分析、安全監控、醫療影像分析、生物影像分析、工安影像分析、口罩影像分析等領域，實在是非常厲害，台灣之光。

 

將 CSPNet 演算法包裝成 APP 工具，不需寫程式即可進行 AI 訓練及推論，支援最新 RTX-3090-24G GPU 及 CUDA 11.0 。

 

使用 CSPResNeXt50 進行影像分類，範例是使用鋼板瑕疵分類。此 APP 可以讓您自行替換成自己的影像來完成影像分類。

 

 

[操作步驟及說明]

 

開啟 APP，請參閱 LEADERG-APP 操作說明。

APP 主要分成四大使用功能，資料準備、訓練、推論、其它。

 

APP CSPNet.png

 

 

資料準備 :

 

1. 選擇要進行 AI 學習的數據集。

如果要訓練自己的影像，請點選 browse 開啟檔案位置，建議先複製一個預設的數據集資料夾與將其改為自己的數據名稱。

接著找到 train、val、test 資料夾，刪除資料夾內的舊影像與替換成自己需訓練、推論、測試的影像。

注意 :

  • 影像檔名需要符合規定 : 影像檔名前面需加上 [類別名稱-]，例如 : inclusion-1.jpg 的 inclusion 為此張影像的類別名稱。
  • 影像長寬建議相同，也就是正方形，如果不相同可以縮放或裁切等方式。
  • 圖檔與其附檔名須為 .jpg 或 .png 或 .jpeg。

 

選擇資料集.png

 

 

2. 設定類別數量與類別名稱。

  • 設定類別數量，點擊 [Classes num] 開啟文字檔，找到 classes = 4，數字 4 即為自己數據的類別數量。例如 : 訓練的影像有 5 個類別 => classes = 5。
  • 設定類別名稱，點擊 [Classes name] 開啟文字檔，設定訓練的類別名稱。
  • 設定路徑。請將 train、valid、labels、backup 中的 data/plate，修改為 data/資料夾名稱。例如 : 在上一步建立自己樣本資料夾名稱為 pcb ，此步需要將 
    • train = data/plate/train.txt => train = data/pcb/train.txt
    • valid = data/plate/valid.txt => valid = data/pcb/valid.txt
    • labels = data/plate/label.names => labels = data/pcb/label.names
    • backup = data/plate/model => backup = data/pcb/model

 

​設定類別數與類別名稱.png  

  • cfg 設定。點擊 [99. edit CSPNet.cfg] 後，找到 [avgpool]，其下方有一個 filters=4，數字 4 即為自己數據的類別數量。例如 : 訓練的影像有 5 個類別 => filters=5。

 

設定 cfg 類別數.png

 

 

3. 點擊 [1. prepare train txt] 與 [2. prepare val txt] 即可自動生成訓練與驗證用的影像清單。

 

產生訓練驗證清單.png

 

 

訓練:

 

如果第一次訓練使用預設的則可；如果非第一次訓練且已有訓練好的模型，要接續訓練請將 model/csresnext50-omega_best.weights 複製一個與命名為 pretrain.weights 取代掉原本的 pretrain.weights。 

您的裝置如果有支援 NVIDIA GPU 加速運算，請點擊 [3. train (GPU)] ；未支援NVIDIA GPU 加速運算，請點擊 [3. train (CPU)]。

 

訓練.png

 

 

推論:

 

推論有提供推論單張影像或整個資料夾。

請選擇一個訓練效果較佳的模型或直接選擇 csresnext50-omega_final.weights，如果還沒產出 csresnext50-omega_final.weights，但覺得模型已收斂可以使用，也可以選擇 csresnext50-omega_last.weights。

接著將選擇的模型改名為 csresnext50-omega_best.weights 取代掉原本的模型。 (模型放置於 model 資料夾、副檔名為 .weights)

 

1. 推論單張影像 : 您的裝置如果有支援 NVIDIA GPU 加速運算，請點擊 [4. inference (GPU)] ；未支援NVIDIA GPU 加速運算，請點擊 [4. inference (CPU)]。

接著請選擇要進行推論的一張影像，按下 [Open] 開啟來進行推論與顯示結果。

 

推論單張影像.png

 

 

2. 推論資料夾 : 您的裝置如果有支援 NVIDIA GPU 加速運算，請點擊 [5. inference_folder (GPU)] ；未支援NVIDIA GPU 加速運算，請點擊 [5. inference_folder (CPU)]。

接著請選擇要進行推論的資料夾，按下 [Open] 開啟來進行推論與顯示結果。

請在顯示的結果圖上，按下鍵盤任意鍵來切換下一張影像。

 

推論資料夾.png

 

 

其它:

 

1. 點擊 [99. edit CSPNet.cfg]，開啟 CSPNet 網路結構文字檔。

2. 點擊 [99. browse data]，開啟 data 資料夾。

 

其餘功能.png  

 

 

[軟體下載]

 

https://d.leaderg.com/CSPNet/download

 

 

[ 軟體試用 ]

 

下載軟體後，請用7zip解壓縮，輸入「TRY30」試用授權碼，每台電腦可以試用30天。

 

 

購買方式

歡迎聯絡我們，我們會依據您的需求，協助您購買適合的人工智能軟體、電腦、機器人、及其他解決方案。
客服信箱： leaderg@leaderg.com
客服電話： 02-2784-9788


延伸閱讀

1.
立軟 App4AI 人工智能應用軟體 (App for AI, 不用寫程式, 視窗操作介面, 易學易用, 無經驗可, AI Model Zoo, Deep Learning, 深度學習, Machine Learning, 機器學習)

2.
立軟 AI Zoo 人工智能演算法軟體 (整理及優化190種範例程式碼, 節省90%的開發時間, 10倍速快速開發 AI 程式, Jupyter Lab 操作介面, Code for AI, Code4AI, Less Coding, AI Model Zoo, 深度學習, 機器學習, Big Data, 大數據)

3.
立軟 ACE 人工智能電腦 (工作站、伺服器、筆電，GPU, computer, workstation, notebook, server, NVIDIA, RTX-3090-24G, RTX-A6000-48G, A100-40G, deep learning, 深度學習, machine learning, 機器學習)

4.
LeaderG Education 立軟人工智能教學解決方案 (影像分析, 影像分類, 物件偵測, 影像切割, 資料分析, deep learning, 深度學習, machine learning, 機器學習, big data, 大數據)

感謝客戶們的支持

臺灣大學、清華大學、陽明交通大學、成功大學、臺北醫學大學、臺北護理健康大學、中興大學、暨南大學、宜蘭大學、聯合大學、淡江大學、逢甲大學、長庚大學、義守大學、實踐大學、臺科大、北科大、臺中科大、雲林科大、勤益科大、虎尾科大、屏東科大、高雄科大、朝陽科大、明志科大、南臺科大、亞東科大、中國科大、國防大學、海軍軍官學校、陸軍專科學校、鼓山高中、臺大醫院、榮民總醫院、長庚醫院、慈濟醫院、義大醫院、中山科學研究院、國防部軍備局、法務部調查局、工研院、資策會、原子能委員會核能研究所、農業委員會特有生物研究保育中心、勞動部勞動研究所、紡織研究所、金屬工業研究發展中心、台灣儀器科技研究中心、車輛測試中心、台灣自來水公司、台積電、聯電、南亞科、華邦電子、精材科技、華信光電、友達光電、群創光電、瀚宇彩晶、台塑、台塑網、南亞塑膠、台灣化學纖維、中國石油、羅技電子、義隆電子、隆達電子、達方電子、鴻海、大聯大 - 世平興業、盟立自動化、迅得機械、南茂科技、順達科技、致伸科技、英特盛、豐興鋼鐵、中宇環保工程、竹陞科技、研揚科技、敦陽科技、竑騰科技、先豐通訊、神達電腦、神通電腦、百佳泰、科音國際、峰安車業、鴻鵠國際、藍海智能等。