← Tudásbázis

Mesterséges intelligencia

Modellválasztás a ténylegesen meglévő adat alapján.

Áttekintés

A precíziós mezőgazdaságban az MI többnyire felügyelt gépi tanulás: a modell címkézett példákból tanul. A gyakorlati kérdés ritkán az, hogy „melyik a legújabb modell”, inkább az, hogy mennyi címkézett adatunk és számítási kapacitásunk van.

Fő fogalmak

Tanító és teszt halmaz

A kiértékelést mindig a modell által nem látott képeken kell végezni, különben a pontosság túlbecsült.

Klasszikus gépi tanulás

Az SVM, a random forest, a gradient boosting és a KNN jellemzővektorokon dolgozik. A gyomvizsgálatunkban 40 kép/osztály alatt a random forest, fölötte a gradient boosting vezetett.

Mélytanulás és YOLO

A CNN-alapú detektorok, mint a YOLO, közvetlenül a képen keresnek és lokalizálnak objektumokat. Annotált adat kell hozzájuk, de az augmentáció megsokszorozhat egy kis annotált készletet, ahogy az 800 csempés aszatmodellünknél.

Tanulási görbék

Ábrázold a teljesítményt a tanítóképek számának függvényében, így látszik, hol nem éri meg több adatot gyűjteni.

Kódpéldák

import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import recall_score

rng = np.random.default_rng(0)

def split_per_class(y, n):
    train = np.concatenate([rng.choice(np.where(y == c)[0], n, replace=False) for c in np.unique(y)])
    return train, np.setdiff1d(np.arange(len(y)), train)

# X: feature matrix (one row per plant image), y: class labels
for n in (5, 10, 20, 40, 80, 160):
    tr, te = split_per_class(y, n)
    clf = RandomForestClassifier(n_estimators=300, random_state=0).fit(X[tr], y[tr])
    print(n, "images/class -> recall", round(recall_score(y[te], clf.predict(X[te]), average="macro"), 3))

Esettanulmány

Esettanulmányok a munkáimból: 94,56 %-os recall-ú gyomosztályozó osztályonként 160 képből, és egy YOLO alapú aszatdetektor.

Hivatkozások a saját munkáimból