Deep Learning und Machine Learning Models Visualisierung

Um Ihre Modelle für neuronale Netzwerke, Deep Learning und Machine Learning zu visualisieren, benötigen Sie lediglich Netron. Netron läuft auf macOS, Linux, Windows und im Browser.

Netron unterstützt die folgenden Modellformate:
ONNX (.onnx, .pb, .pbtxt)
Keras (.h5, .keras)
Core ML (.mlmodel)
Caffe (.caffemodel, .prototxt)
Caffe2 (predict_net.pb, predict_net.pbtxt)
MXNet (.model, -symbol.json)
TorchScript (.pt, .pth)
NCNN (.param)
TensorFlow Lite (.tflite).

Darüber hinaus hat Netron auch experimentelle Unterstützung für die folgenden Typen von ML- und DL-Modellen:

PyTorch (.pt, .pth)
Torch (.t7)
CNTK (.model, .cntk)
Deeplearning4j (.zip)
PaddlePaddle (.zip, __model__)
scikit-learn (.pkl)
TensorFlow.js (model.json, .pb)
TensorFlow (.pb, .meta, .pbtxt).

Netron ist Open Source und auf GitHub erhältlich
https://github.com/lutzroeder/netron

ONNX-Modelle

Eine Sammlung verschiedener ONNX-Modelle steht zur Verfügung, die Sie bei Bedarf einsehen und herunterladen können.

VGG (VGG19) ONNX (575MB)
https://github.com/onnx/models/tree/master/vision/classification/vgg

VGG-Modelle führen eine Bildklassifizierung durch - sie nehmen Bilder als Eingabe und klassifizieren das Hauptobjekt im Bild in eine Reihe von vordefinierten Klassen. Sie werden auf den ImageNet-Datensatz trainiert, der Bilder aus 1000 Klassen enthält. VGG-Modelle bieten sehr hohe Genauigkeiten, gehen aber auf Kosten erhöhter Modellgrößen. Sie sind ideal für Fälle, in denen eine hohe Genauigkeit der Klassifizierung unerlässlich ist und die Modellgrößen nur begrenzt eingeschränkt möglich sind.

Der ONNX Model Zoo ist eine Sammlung von vortrainierten Modellen im Deep Learning Bereich, die im ONNX Format erhältlich sind.

YOLO v3 ONNX (250MB)
https://github.com/onnx/models/tree/master/vision/object_detection_segmentation/yolov3

Was ist YOLO?

'You Only Look Once' ist ein Objekterkennungsalgorithmus.

Was ist also das Tolle an der Objekterkennung?

Im Vergleich zu VGG prognostiziert ein Erkennungsalgorithmus nicht nur Klassenbezeichnungen, sondern erkennt auch Positionen von Objekten. So klassifiziert es nicht nur das Bild in eine Kategorie, sondern kann auch mehrere Objekte innerhalb eines Bildes erkennen.

Und dieser Algorithmus ist nicht von mehreren neuronalen Netzen abhängig. Es wendet ein einzelnes neuronales Netzwerk auf das Vollbild an. Dieses Netzwerk teilt das Bild auf. In Regionen und prognostiziert Begrenzungsrahmen und Wahrscheinlichkeiten für jede Region. Diese Begrenzungsrahmen werden mit den vorhergesagten Wahrscheinlichkeiten gewichtet.

Links

https://github.com/lutzroeder/netron
ONNX Model Zoo
Portabilität für Deep-Learning-Modelle mit ONNX
You Only Look Once
ImageNet-Datensatz

Wie können wir Ihnen helfen?

Sie wollen online richtig verkaufen? Wir unterstützen Sie bei der Umsetzung Ihres E-Commerce Projektes! Egal ob 360° Produktfotografie, 3D Scan Service, Charakterdesign, 3D Visualisierung oder Architekturvisualisierung – wir beraten Sie persönlich und unverbindlich.

Wünschen Sie ein individuelles Angebot auf Basis Ihrer aktuellen Vorlagen, nutzen Sie einfach unser Anfrageformular.

Download PDF    Seite ausdrucken