2. Английский бульдог

Немногие собаки были так искусственно сформированы путем разведения, как английский бульдог. В Великобритании собак использовали для травли быков — кровавого спорта, где собаки использовались для приманки и нападения на быков — до тех пор, пока это не стало незаконным в 1835 году. В 1915 году бульдог уже имел некоторые характерные черты, которые мы наблюдаем сегодня, например обвисшие тела. челюсти и присед.

Сегодня заводчики вывели бульдогов с более выраженными морщинами на лице и еще более толстым и приземистым телом. AKC описывает идеальную собаку как имеющую «тяжелое, коренастое, низко раскачивающееся тело, массивную короткомордую голову, широкие плечи и крепкие конечности». К сожалению, бульдоги страдают от ряда проблем со здоровьем, таких как проблемы с дыханием и перегрев.

3. Немецкая овчарка

немецких овчарок стали символом всего: от верности и дружбы до жестокости полиции.AKC впервые была признана породой в 1908 году. В 1915 году собак всех наций описал ее как «собаку среднего размера», весом всего 55 фунтов (24 кг), с «глубокой грудью, прямой спиной и сильной поясницей». .

Но сегодняшних немецких овчарок разводят так, чтобы они были значительно крупнее (от 75 до 95 фунтов или от 34 до 43 кг) с более покатой спиной. AKC описывает идеальный экземпляр как «сильное, подвижное, мускулистое животное, бдительное и полное жизни».

Однако они также склонны к проблемам со здоровьем, таким как дисплазия бедра, когда кости ног не подходят должным образом в тазобедренном суставе, и вздутие живота, состояние, при котором живот может расширяться от воздуха и скручиваться, что иногда может быть фатальный.

4. Эрдельтерьер

Сегодня цвет, похоже, не сильно изменился, но мех современных эрдельтерьер определенно выглядит длиннее и «рванее», чем в 1915 году. Эрдельтерьер считается самым крупным из всех терьеров, он спортивный и игривый.

5. Шетландская овчарка

Шетландская овчарка, или шелти, не была признана Американским клубом собаководства до 1911 года, всего за четыре года до публикации книги, из которой это изображение. В то время в книге сообщается, что он весил всего от 7 до 10 фунтов (от 3 до 4 кг) и, судя по всему, имел мех средней длины.

Сегодня собаки были выведены более крупными, весом не менее 20 фунтов (9 кг), но все еще ловкими. И их мех стал безошибочно длиннее, чем в 1915 году.AKC теперь описывает их как «маленькую, настороженную, длинношерстную рабочую собаку с грубой шерстью». Они также очень умны и хорошо пасут.

Подробнее »

Теперь ваш iPhone или телефон Android может определять породы собак на фотографиях, которые вы делаете.

ВЛАДЕЛЬЦЫ ДОМАШНИХ ЛЮДЕЙ будут в восторге от новой функции Google Фото для iPhone и Android.

ИИ, который поддерживает приложение для сортировки изображений большой G, теперь может определять породу вашей собаки или кошки и давать вам больше информации о вашем пушистом друге.

2

Система машинного обучения, получившая название Google Lens, недавно была представлена ​​в приложении Photos для iOS и Android после запуска в качестве эксклюзивной привилегии на флагманских телефонах Google Pixel 2. .

Цифровой всезнайка уже может распознавать объекты на ваших фотографиях, включая предприятия, достопримечательности, книги, фильмы и игры.

Он делает это, извлекая информацию из огромной базы данных результатов поисковой системы Google.

И теперь вы можете добавить распознавание питомцев к его растущему набору навыков.

2

Вот как вы можете заставить его работать: откройте Google Фото, выберите изображение кошки или собаки, которое вы только что сфотографировали. , а затем коснитесь значка объектива, чтобы просмотреть дополнительную информацию, включая породу.

В своем блоге менеджер по продуктам Google Кристи Бол сказала, что появление этой функции было приурочено к празднованию Национального дня домашних животных на этой неделе.

Она также указала на множество других функций приложения, ориентированных на домашних животных, в том числе слайд-шоу музыкального видео для кошек и собак, которое можно настроить, нажав на кнопки с очаровательным названием Meow Movie или Doggie Movie.

И если вы отметите фотографию, на которой вы и ваша собака гуляете, вы можете найти ее, введя его имя и «парк».

Вы также сможете искать своих приятелей по породам, видам и даже по смайликам.

«Быстро ищите« питбуль », чтобы заново открыть для себя фотографии милой собаки вашей сестры», — поясняется в сообщении в блоге.

Теперь, если бы он мог чистить и лоток для мусора вашего питомца.

Мы платим за ваши истории! У вас есть история для новостной команды The Sun Online? Напишите нам по адресу [email protected] или позвоните по телефону 0207782 4368. Мы тоже платим за видео. Щелкните здесь, чтобы загрузить свой.

Фотографии любимых пород собак Америки

«КЛАССИФИКАЦИЯ ОБРАЗОВ ПОРОД СОБАК» | автор: Ашис Кумар Панда

Создайте современный классификатор изображений.

Добро пожаловать во вторую часть Эпизода 2, где мы займемся проблемой Классификация пород собак . У нас есть изображения 120 пород собак, которые мы должны классифицировать. Прежде чем мы начнем, я хотел бы поблагодарить Jeremy Howard и Rachel Thomas за их усилия по демократизации ИИ. Спасибо замечательному сообществу fast.ai и Sam Charrington за онлайн-сессии TWiML & AI x Fast.ai Study Group Sessions .

Чтобы извлечь максимальную пользу из этой серии сообщений в блоге, не стесняйтесь исследовать первую часть этой серии в следующем порядке: —

1. Классификация изображений собак и кошек
2. Классификация изображений пород собак
3. Классификация изображений с несколькими метками
4. Анализ временных рядов с использованием нейронной сети
5. NLP-анализ настроений в наборе данных фильмов IMDB
6. Основы системы рекомендаций фильмов
7. Совместная фильтрация с нуля
8. Совместная фильтрация с использованием нейронной сети
9. Философия написания, как Ницше
9010 в наборе данных Cifar-10
10. ML Модель для обнаружения самого большого объекта на изображении Часть 1
11. ML Модель для обнаружения самого большого объекта на изображении Часть 2

Для тех, кто не видел предыдущий эпизод, нажмите здесь, чтобы посмотреть Эпизод 2.1. Чтобы сэкономить вам время, я быстро перейду к последней серии здесь. Ниже приведены шаги, которые мы выполнили для создания современного классификатора : —

1. РАЗРЕШИТЬ ДОПОЛНЕНИЕ ДАННЫХ И УСТАНОВИТЬ PRECOMPUTE = TRUE.
2. ИСПОЛЬЗУЙТЕ lr_find () , ЧТОБЫ НАЙТИ НАИЛУЧШУЮ ОБУЧАЮЩУЮ СТАВКУ, ГДЕ ПОТЕРЯ ЕЩЕ УЛУЧШАЕТСЯ
3. ПРОЙДИТЕ ПОСЛЕДНИЙ УРОВЕНЬ ИЗ ПРЕДНАЗНАЧЕННЫХ АКТИВАЦИЙ ДЛЯ ПАРЫ ЭПОХ.
4. ОБУЧЕНИЕ ПОСЛЕДНЕГО СЛОЯ С ДОПОЛНЕНИЕМ ДАННЫХ (например, PRECOMPUTE = FALSE ) ДЛЯ 2–3 EPOCH С CYCLE_LEN = 1 .
5. РАЗМОРОЗИТЬ ВСЕ СЛОИ.
6. УСТАНАВЛИВАЙТЕ УЧЕБНУЮ УЧЕБНУЮ УЧЕБНУЮ ПОНИЖЕННУЮ УЧЕБНОСТЬ, ЧЕМ СЛЕДУЮЩУЮ ВЫСШУЮ УРОВНЮ, И ОБУЧАЙТЕ ЕЕ.
7. ИСПОЛЬЗУЙТЕ lr_find () СНОВА.
8. ПОЛНАЯ СЕТЬ ПОЕЗДА С cycle_mult = 2 БЕЗ ПЕРЕФИТИНГА.

Итак, в этом посте в блоге мы будем иметь дело с идентификацией породы собак. Ссылка на этот набор данных kaggle присутствует здесь. Основная цель — классифицировать изображения собак 120 пород.

1. ЗАГРУЗИТЕ ДАННЫЕ И ИМПОРТИРУЙТЕ ПАКЕТЫ.

Итак, чтобы начать, мы должны загрузить данные. Чтобы легко получить эти данные, мы воспользуемся kaggle api. Чтобы узнать больше об этом API, перейдите сюда. Но нижняя строка —

• Установите kaggle api
• Импортируйте его
• И используйте его для загрузки данных по нужному пути . Упомянутые шаги были выполнены на снимке ниже.

В дальнейшем можно импортировать все необходимые пакеты: —

Пакет glob будет сопоставлять файлы с шаблонами, которые использует оболочка.В приведенном ниже коде мы видим, что глобус помогает получить все файлы по указанному пути. Выходные данные упоминаются начиная со строки № 7 в приведенной ниже сущности.

2. ПРОВЕРЬТЕ ДОСТУПНОСТЬ GPU И РАЗархивируйте ЗАГРУЖЕННЫЕ ФАЙЛЫ

Чтобы убедиться, что GPU доступен для вас, выполните следующие команды. Они должны вернуть истину.

После загрузки всех файлов следующий код помогает их распаковать.

3. ПОЗНАКОМИТЬСЯ С ДАННЫМИ С ПОМОЩЬЮ PANDAS

Теперь давайте проверим данные.После распаковки поезда и тестовых zip-файлов мы узнаем, что в нем есть изображения 120 пород собак. Sample_submission.csv Файлы сообщают нам содержание файла, которое участники конкурса ожидают во время подачи. Давайте посмотрим на содержимое файла labels.csv .

Он содержит image_id всех изображений собаки и породы или ярлыков , которым принадлежат собаки. labels.csv содержит породы для изображений в обучающем и тестовом наборе данных.Этот обходной путь упрощает жизнь.

Давайте проверим, сколько собак одной породы.

В приведенных выше выходных данных показаны 120 пород собак и количество изображений, соответствующих каждой из пород, в порядке убывания. Извините, мне не удалось разместить все породы в одном снимке.

Обычно у нас есть набор данных для поездов, проверки и тестирования. Мы обучаем нашу модель на обучающем наборе данных и одновременно прогнозируем ее на проверочном наборе данных. Это включает настройку параметров для повышения точности набора данных проверки.Наконец, когда мы убедились, что наша модель в порядке, мы используем ее для прогнозирования невидимого набора данных, то есть тестового набора данных. Этот процесс помогает предотвратить переобучение.

Строка №1 выше задает путь к файлу label.csv. Строка №2 открывает файл и подсчитывает количество строк в наборе данных, кроме заголовка, отсюда минус 1. Это дает нам количество строк или количество изображений в файле csv. get_cv_idxs (n) в строке № 3 вернет случайные 20% данных, которые будут использоваться как набор данных проверки .Это возвращает индексы файлов, которые мы собираемся использовать в качестве набора данных для проверки. Давайте перепроверим это.

!!! Выглядит вполне законно !!! Размер набора данных проверки действительно составляет 20% от общего размера набора данных.

Теперь мы будем использовать предварительно обученную архитектуру resnext_101_64 для построения нашей модели.

В тот момент, когда я пишу этот блог, веса предварительно обученной архитектуры resnext_101_64 отсутствуют в библиотеке fastai, поэтому мы должны загрузить ее по этому адресу '/ usr / local / lib / python3.6 / dist-packages / fastai / weights ', а затем запустите нашу модель, иначе выдает ошибку, сообщающую, что веса не найдены . Следуйте инструкциям по приведенному ниже коду.

Шаги для получения весов предварительно обученной модели: —

• загрузите предварительно обученную модель в любое место, используя ссылку, указанную в (Строка № 3).
• переместите его в указанное выше место. (Строка №20)
• Сделайте указанное выше место своим текущим каталогом. (Строка №23)
• И распакуйте файл.(Строка № 27)
• Вернитесь в то место, где у вас есть данные. (Строка № 41)

Примечание: — В будущем, если произойдет обновление нового кода fastai, вышеупомянутый шаг можно позаботиться, и, следовательно, этот шаг может быть необязательным.

Прежде чем продолжить, решите, какого размера должны быть образы, какую архитектуру использовать и какой размер пакета учитывать.

4. УСТАНОВКА ДАННЫХ В ФОРМАТЕ FASTAI

Чтобы настроить данные в соответствии с форматом fastai, мы напишем следующий код.Обратите внимание, что ранее мы использовали ImageClassfierData.from_paths () для классификатора Dog vs Cat, поскольку у нас данные указывались в отдельных папках. В этом случае названия папок были названиями этикеток.

Но здесь у нас есть данные (изображения), присутствующие в папках поездов и тестов, а также имена файлов, суммированные в файле labels.csv . В файле labels.csv есть метка / порода для каждого изображения, присутствующего в поезде. и тестовый набор данных, поэтому мы выбираем ImageClassfierData.from_csv (...) , как показано ниже.

ПАРАМЕТРЫ ДЛЯ ImageClassfierData.from_csv (...) ARE:

• PATH — это корневой путь к данным (используется для хранения обученных моделей, содержит предварительно вычисленные значения и т. Д.). все данные.
• «поезд» — папка, содержащая данные обучения.
• Файл label.csv содержит ярлыки для различных изображений собак.
• val_idxs содержит данные проверки.Он указывает номер индекса в файле labels.csv, который был помещен в набор данных проверки.
• test_name = 'test' — набор данных test .
• Имена файлов на самом деле имеют .jpg в конце, который не упоминается в файле labels.csv , следовательно, у нас есть суффикс = ’. Jpg’ . Это добавит .jpg в конец имен файлов.
• tfms — это преобразование, которое мы собираемся применить для увеличения данных.

Объект данных был создан выше. Используя объект data , мы можем проверить train_ds (набор данных поезда). Чтобы узнать, к чему еще можно получить доступ с помощью объекта данных, напишите данных. и нажмите вкладку. Появится раскрывающееся меню с атрибутами объекта data . fnames , упомянутый ниже, сообщает нам об именах файлов, присутствующих в обучающем наборе данных.

Давайте проверим, правильно ли расположены изображения: —

Результат изображения показан ниже.Как мы видим, изображение собаки занимает большую часть кадра, поэтому не стоит беспокоиться о методах кадрирования или масштабирования во время фазы преобразования ( tfms ).

Строка № 6 ниже сопоставляет имя файла с размером файла и сохраняет его в size_d . size_d — это словарь, в котором ключом являются имена файлов, а значениями — размер каждого файла. В строке № 8 есть команда zip (*) , которая помогает распаковать строки и столбцы и сохраняет их в row_sz и col_sz .

Размер изображения: —

Проверьте размер набора данных поезда и тестового набора данных в строке № 1 ниже и количество классов данных / породы собак и , каковы первые пять пород собак в строке №5.

Прежде чем двигаться дальше, давайте проверим размер данных, которые мы моделируем. Это просто для проверки. Следовательно: —

На гистограмме выше мы видим, что у нас есть 5000 изображений с размерами около 500 пикселей и несколько изображений больше 1000 пикселей.На гистограмме ниже мы проверяем только изображения размером менее 1000 пикселей. Он также показывает, сколько существует изображений с определенными размерами.

5. СОЗДАНИЕ СОВРЕМЕННОГО КЛАССИФИКАТОРА.

Ожидание окончено. Наконец, представляю перед вами Современный классификатор.

Для современного классификатора необходимо выполнить несколько шагов. Они следующие: —

5.1) РАЗРЕШИТЬ ДОПОЛНЕНИЕ ДАННЫХ И УСТАНОВИТЬ PRECOMPUTE = TRUE.

Для единообразия позволяет изменять размер данных. get_data () имеет нормальную пару строк кода. Первым является Настройка увеличения данных , а вторым — . Отформатируйте данные , и мы передаем функции image_size и batch_size. Когда мы начинаем работать над новым набором данных, все должно идти очень быстро, если сначала мы перейдем к маленьким изображениям. Следовательно, мы начали с размера sz = 224 и bs = 64 . А позже мы можем увеличить размер.Если при увеличении размера мы видим ошибку Cuda Out of Memory , перезапустите ядро, установите меньший размер пакета и запустите его снова.

Теперь давайте настроим нейронную сеть с precompute = True : —

При объявлении архитектуры с помощью ConvLearner.pretrained (…) предварительное вычисление устанавливается как True, что означает, что он реализует активацию из предварительно обученной сети . Предварительно обученная сеть — это сеть, которая уже научилась распознавать определенные вещи.Для нашего тематического исследования идентификации породы собак использованная предварительно обученная сеть ( RESNEXT101_64 ) уже научилась классифицировать 1000 классов на 1,2 миллиона изображений в наборе данных ImageNet. Итак, возьмите предпоследний слой (так как это слой, который содержит всю необходимую информацию, необходимую для определения изображения) и сохраните эти активации. В сверточной нейронной сети есть такие вещи, которые называются «активациями». Активации — это богатые возможности. Активация — это число, которое говорит: «Эта функция находится в этом месте с таким уровнем достоверности (вероятности)».Сохраните эти активации для каждого образа, они известны как предварительно вычисленные активации. Теперь при создании нового классификатора воспользуйтесь преимуществами этой предварительно вычисленной активации и быстро обучите модель на основе этих активаций. Следовательно, для реализации этого набора precompute = True .

Предварительно обученный метод создает нашу новую нейронную сеть из модели arc . В то же время он делает две вещи следующим образом: —

• Что он делает, он сохраняет все слои, кроме последнего слоя (последний слой — это выходной слой, который дает вероятности в пределах 1000 классов в случае Imagenet).
• Последний слой заменяется добавлением нескольких слоев, которые заканчиваются выходным слоем, который дает вероятности для всех 120 классов пород собак.

Итак, изначально все заморожено, и precompute = True , поэтому все, что мы изучаем, — это добавленные нами слои. Как и в случае precompute = True , увеличение данных
ничего не делает, потому что мы каждый раз показываем одну и ту же активацию. Что делает precompute = True , так это предварительно вычисляет, сколько в образе есть чего-то похожего на активацию. Предварительно вычисленные активации — это результат функций активации, используемых в каждом из замороженных слоев, которые мы не собираемся обучать. Это помогает нам ускорить обучение недавно добавленных полностью подключенных слоев в конце. Мы только предварительно вычисляем активации предпоследнего уровня сети. Работа со всеми слоями требует больших затрат на хранение.

5.2) ИСПОЛЬЗУЙТЕ lr_find () , ЧТОБЫ НАЙТИ НАИЛУЧШУЮ СКОРОСТЬ ОБУЧЕНИЯ, ГДЕ ПОТЕРЯ ЕЩЕ УЛУЧШАЕТСЯ

Команда ниже помогает найти наилучшую скорость обучения.

Результатом этой команды является график, показанный ниже, который показывает, что скорость обучения увеличивается с увеличением количества итераций.

Эта команда строит график зависимости потерь от скорости обучения и дает результат, который показывает, что по мере увеличения скорости обучения потери сводятся к минимуму, а затем наступает точка, после которой они превышают минимальную точку, следовательно, потери становятся больше. Таким образом, мы должны выбрать скорость обучения, которая соответствует минимальным потерям. Но скорость обучения на этом этапе уже была слишком высокой, поэтому мы возвращаемся на один шаг от точки минимальных потерь в шкале скорости обучения и выбираем ее как лучшую скорость обучения.Вот его 0,01 .

5.3) ОБУЧИТЬ ПОСЛЕДНИЙ СЛОЙ ОТ ПРЕДНАЗНАЧЕННЫХ АКТИВАЦИЙ ДЛЯ ПАРЫ ЭПОХ.

Здесь мы выбираем лучшую скорость обучения ( 0,01 ) и обучаем последний слой сети (поскольку предварительное вычисление = True и первые слои заморожены), т.е. их веса будут обновлены, чтобы минимизировать потери модели. . Используя этот метод, мы достигли точности 92% . Но есть небольшое переоснащение, поскольку наша потеря валидации — это больше, чем потеря тренировки.Чтобы избежать этого, мы вводим обучение Dropout , Data Augmentation и на больших изображениях .

5.4) ОБУЧИТЬ ПОСЛЕДНИЙ СЛОЙ С ДОПОЛНЕНИЕМ ДАННЫХ (т.е. PRECOMPUTE = FALSE) ДЛЯ 2–3 EPOCH С CYCLE_LEN = 1.

пс — параметр отключения. Это относится к случайному отключению 50% нейронов. Это помогает нейронной сети предотвратить переобучение и, следовательно, предотвратить переобучение. Как мы видим, на данный момент наша точность немного упала до 91.6% , но хорошая новость в том, что наша потеря валидации меньше, чем потеря тренировки, что является явным признаком того, что мы не переобучаем.

Для дальнейшего улучшения модели нам нужно больше данных, поэтому включите Data augmentation, установив learn.precompute = False . Установив precompute = False, , мы все еще обучаем только слои, которые мы добавили в конце, потому что он заморожен, но увеличение данных теперь работает, потому что оно фактически проходит и пересчитывает все активации с нуля.Концепция cycle_len подробно обсуждалась в предыдущем эпизоде.

После обновления данных мы видим увеличение точности до 92,17% без переобучения.

Примечание: — Эпоха , — это один проход через данные, а цикл , — количество эпох, присутствующих в цикле. Итак, здесь цикл в основном совпадает с эпохой.

• ТРЕНИРОВКА БОЛЬШИХ ИЗОБРАЖЕНИЙ — ЛУЧШИЙ СПОСОБ ПРЕДОТВРАЩЕНИЯ ПЕРЕФИТИНГА.

Теперь мы видим случай недостаточной подгонки, поскольку потеря валидации намного ниже, чем потеря тренировки.Наша основная цель должна состоять в том, чтобы максимально приблизить значения val_loss и trn_loss и в то же время следить за точностью.

Cycle_len = 1 может быть слишком коротким. Давайте установим cycle_mult = 2 , чтобы найти лучший параметр. Это поможет предотвратить недообучение. Когда мы не подбираем, это означает, что cycle_len = 1 слишком мало (скорость обучения сбрасывается до того, как у него была возможность правильно увеличить масштаб и выбрать лучший параметр). Концепция cycle_mult подробно обсуждалась здесь.

Тренируем его еще на пару эпох.

!!! Но ждать !!!

Если вы внимательно посмотрите на результат, наш val_loss все еще немного выше trn_loss. Означает ли это, что он переоснащен и плохо сказывается на нашей нейронной сети. Давайте посмотрим на мнение экспертов о том, почему небольшая переобучение — это нормально. Перейдите по ссылке ниже.

Кроме того, этот набор данных похож на набор данных ImageNet. Так что обучение сверточных слоев не очень помогает. Следовательно, мы не собираемся размораживать все слои.Наконец, мы выполняем TTA (Увеличение времени тестирования) и получаем вероятности прогноза.

На последнем этапе мы вычисляем точность и потери. Приятно видеть, что наша модель обеспечивает точность 93,3% на тестовом наборе данных, что составляет просто Mind Blowing .

И вот как мы получаем результат современного искусства, мой друг.

П.С. -Эта запись в блоге будет обновляться и улучшаться по мере того, как я продолжу изучать другие уроки.Если вас интересует исходный код, посмотрите его здесь .

A B C — Всегда хлопайте в ладоши. 👏 👏👏👏👏 😃😃😃😃😃😃😃😃😃 👏 👏👏👏👏 👏

Спасибо Дэвиду Робинсону за мотивацию 😃😃😃😃😃😃

Чтобы извлечь максимальную пользу из этой серии сообщений в блоге, почувствуйте Вы можете бесплатно изучить первую часть этой серии в следующем порядке: —

1. Классификация изображений собак и кошек
2. Классификация изображений пород собак
3. Классификация изображений с несколькими метками
4. Анализ временных рядов с использованием нейронной сети
5. NLP- анализ настроений в наборе данных фильмов IMDB
6. Основы системы рекомендаций фильмов
7. Совместная фильтрация с нуля
8. Совместная фильтрация с использованием нейронной сети
9. Написание философии, такой как Ницше
10. Производительность различных нейронных сетей на наборе данных Cifar-10
11. ML для обнаружения самой большой модели ML объект на изображении Part-1
12. ML Модель для обнаружения самого большого объекта на изображении Part-2

Если у вас есть какие-либо вопросы, не стесняйтесь обращаться к ним быстро.