Direkt zum Inhalt

Deep Learning mit TensorFlow

Entwicklung eines Object Detection Models

Projektdurchführung

Dominic Regitz,
Forschungsgruppe Forschungsgruppe Data Science, Institut für Digitalen Wandel (IDW)

Einführung

  • Objekterkennung stellt ein Verfahren des supervise learning zur Identifikation bereits bekannter Objekte
    innerhalb eines spezifischen Objektraumes dar
  • Der Einsatz von Object Detection Models weist hierbei ein hohes Maß potentieller Einsatzfälle (sowohl in der
    Industrie als auch im alltäglichen Umfeld) auf

Zielsetzung 

  • Erprobung eines ersten Prototyps zur Identifikation vordefinierter Handzeichen

  • Schrittweise Identifikation insgesamt sechs unterschiedlicher Objekte

  • Umsetzung der Objekterkennung auf Basis von Bildern sowie in Echtzeit durch Nutzung von Kameras bzw. Webcams

     

Methodik

Datenbeschaffung & Aufbereitung:

  • Beschaffung von Bildern für alle zu erkennenden Objekte
  • Umfang: ca. 60 Bilder pro Kategorie

Handzeichen

  • Labeling der Bilder durch die Angabe von Wertebereichen und zugehörigen Bezeichnungen -> supervised learning

Training des Modells:

  • Aufteilung der Bilder in Trainings- und Testdaten (Verhältnis: 80/20) und anschließendes Ausführen der Trainingsschritte

Trainingmodel

  • Ermittlung der Performance des Modells (Evaluation)
  • Fine-Tuning durch das Hinzufügen:
    - zusätzlicher Datensätze
    - weiterer Trainingsschritte

 

Ergebnis

  • Optimum nach 11.000 Trainingsschritten erreicht mit einer Average Precision von rund 65% und einem Average Recall von rund 69%

Model     

 

Evaluation

  • Objekterkennung trotz geringer Anzahl an Bildern und Trainingsschritten in Echtzeit sowie durch Bildübergabe funktionstüchtig

 

Label1      TULabel

 

Zusammenfassung

  • Entwicklung von Object Detection Modellen wird durch Open-Source-Plattformen wie TensorFlow stark erleichtert
  • Das Training solcher Modelle führt auch bei einer begrenzten Menge an Trainingsdaten zu verlässlichen Ergebnissen.