ID บทความ: 000088869 ประเภทข้อมูล: การแก้ไขปัญหา การตรวจสอบครั้งล่าสุด: 08/09/2022

ฉันจะปรับปรุงประสิทธิภาพการการอ้างอิงของโมเดล YOLOv4 ได้อย่างไร

BUILT IN - ARTICLE INTRO SECOND COMPONENT
สรุปข้อมูล

ใช้เครื่องมือปรับแต่งประสิทธิภาพหลังการฝึกอบรม (POT) เพื่อเร่งการอนุมานของโมเดลการเรียนรู้เชิงลึก

คำอธิบาย
  • ฝึกฝนโมเดล YOLOv4 ด้วยภาพที่ไม่ใช่สแควร์โดยใช้ PyTorch
  • แปลง น้ําหนักเป็นไฟล์ ONNX แล้วแปลงเป็น Intermediate Representation (IR)
  • ไม่สามารถระบุวิธีเพิ่มประสิทธิภาพการการอ้างอิงที่ดีขึ้นได้
ความละเอียด

Post-Training Optimization Tool (POT) ออกแบบมาเพื่อเร่งการอนุมานของโมเดลการเรียนรู้เชิงลึกโดยการใช้วิธีการพิเศษโดยไม่ต้องปรับโมเดลใหม่หรือปรับแต่งอย่างละเอียด

ข้อมูลเพิ่มเติม

โปรดดู การฝึกอบรมเกี่ยวกับภาพที่ไม่ใช่รูปสี่เหลี่ยม และการ อนุมานแบบสี่เหลี่ยม สําหรับวิธีการปรับใช้ภาพที่ไม่ได้ฝึกฝนบนโมเดล YOLO

ผลิตภัณฑ์ที่เกี่ยวข้อง

บทความนี้จะนำไปใช้กับ 2 ผลิตภัณฑ์

เนื้อหาในหน้านี้เป็นการผสมผสานระหว่างการแปลเนื้อหาต้นฉบับภาษาอังกฤษโดยมนุษย์และคอมพิวเตอร์ เนื้อหานี้จัดทำขึ้นเพื่อความสะดวกของคุณและเพื่อเป็นข้อมูลทั่วไปเท่านั้นและไม่ควรอ้างอิงว่าสมบูรณ์หรือถูกต้อง หากมีความขัดแย้งใด ๆ ระหว่างเวอร์ชันภาษาอังกฤษของหน้านี้กับคำแปล เวอร์ชันภาษาอังกฤษจะมีผลเหนือกว่าและควบคุม ดูเวอร์ชันภาษาอังกฤษของหน้านี้