Parameter für das Werkzeugtraining

Öffnet das Dialogfeld Lerndatensatz, in dem die Lerndatensätze und der Prozentanteil der gelabelten Bilder festgelegt werden, die nach dem Zufallsprinzip als Lernbeispiele für das neuronale Netz ausgewählt werden, wenn ein neues Training gestartet wird.

Legt die zurückzugebende Anzahl von Optimierungsiterationen während des Trainings fest. Diese Einstellung kann verringert werden, wenn die Anwendung nicht sehr komplex ist oder wenn ein Modell von niedrigerer Qualität nützlich sein kann, z. B. beim Test unterschiedlicher Parametereinstellungen.

„Epoche“ bezeichnet die Weitergabe des gesamten Lerndatensatz an das neuronale Netz.

Die Einstellung für das Blue-Read-Werkzeug ist wesentlich kleiner (10), weil hier bereits ein gut eingelerntes Netz für verschiedene Zeichensätze vorhanden ist. Bei den anderen Werkzeugen bildet die Grundlage ein nicht initialisiertes Netz. Hier müssen die Daten aus dem Bildlerndatensatz in einer Größenordnung um 50 Mal angesehen werden (Standardeinstellung; liegt im Feinjustierungsbereich). Für die meisten Standardanwendungen reicht die Standardeinstellung.

Wenn die Epochenanzahl zu niedrig gewählt wird, kann das neuronale Netz im Lernprozess steckenbleiben oder das Problem nicht genau lösen. Wenn die Anzahl zu hoch gewählt wird, kann es zu einer Überanpassung (Übertrainieren) kommen, d. h. das Werkzeug lernt nur die Lernbilder und alles außerhalb der Lernbilder wird als ungültig angesehen. Es ist wichtig, das Netz bis zu dem Punkt zu trainieren, an dem eine Verallgemeinerung des Bildlerndatensatz getroffen werden kann. Wenn die Epochenanzahl zu stark erhöht wird, riskieren Sie ein Übertrainieren und somit eine Überanpassung der Daten im Bildlerndatensatz.

Legt die Fähigkeit des Modells fest, verschiedene Stufen visueller Komplexität berücksichtigen zu können. Bei sehr einfachen Mustern muss eine niedrigere Kapazität eingestellt werden, damit eine Überanpassung verhindert wird. Bei komplexen Bildern oder Objekten muss ggf. eine höhere Kapazität eingestellt werden, damit eine Unteranpassung verhindert wird.

Legt fest, wie oft iterativ eingelernt werden soll, damit statistisch schwierige Probleme, bei denen die Komplexität zwischen verschiedenen Bildern oder innerhalb verschiedener Bildbereiche sehr ungleichmäßig verteilt ist, besser bewältigt werden können. Dieser Parameter weist das Werkzeug darauf hin, wo die Ansicht komplex ist. Das ist nützlich, wenn Ansichten mehrere, charakteristisch strukturierte Bereiche aufweisen. Damit ignoriert der Algorithmus Bereiche mit niedriger Komplexität (z. B. weißer, detailarmer Hintergrund) und konzentriert sich auf Bereiche mit höherer Komplexität (z. B. Linien und andere feine Details).