azure - azure 自定义视觉模型精度
问题描述
我在确定优化自定义视觉模型的最佳方法时遇到问题。
在使用图像分类时,在不同时间用不同的标签标记相同的图像会影响机器学习的精度吗?//例如今天用标签't-shirt'标记和训练图像A,明天用标签'blue'标记和训练图像A。//我们基本上是尝试对同一张图片一次输入一个分类(总共五种分类,比如风格和颜色),想知道这种方式是否会影响预测精度。
在输入图像进行机器学习时,一次标记大量数据会提高模型的精度吗?(例如,一个图像一次学习 50 个标签和 100 个标签之间会有什么区别吗?)
有没有办法教机器学习使用从图像分类中获得的结果来识别对象识别,否则我可以用相同类型的图像分别教图像分类和对象识别吗?
将机器学习的学习过程运行更长的时间(例如,1小时和10小时之间的差异)总是会产生更好的结果吗?
解决方案
推荐阅读
- android - MultiAutoCompleteTextView android限制用户多次选择相同的值
- c++ - 在类中使用随机生成器时的性能问题
- python - 访问主页时出现 Pythonanywhere 错误
- android - 如何从 Kotlin 中的内部类 [AsyncTask] 访问扩展功能?
- .net - 如何在 API 管理中配置 Azure AAD 并从 .NET 中的 Web/控制台应用程序调用 API 管理端点
- laravel - Laravel 6.9 belongsToMany 关系返回一个集合
- java - 在 Java 中不使用任何凭据即可阅读 Google 电子表格
- arrays - 按单元格中的倒数第二个字母排序数据,然后是第一个 - Google Apps Script / Google Sheets
- git - Git 仅在 GitLab 中记录模棱两可的参数
- javascript - 如何在稍后通过视图文件包含的其他 js 文件中使用 laravel-mix 文件(webpack)中的 js 函数?