Deep Learning mit TensorFlow

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

• 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

• 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%

     

 

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

 

     

 

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.