Классификация изображений Сравнительный тест моделей Core ML
Apple предоставляет 3 модели Core ML для классификации изображений. Я хотел знать, какая модель является наиболее точной из трех. Итак, я взял 3 случайных объекта и протестировал все модели. Вот результаты:
Реснет-50
Первой моделью, которую я протестировал, была ResNet-50, и, на мой взгляд, самая точная из трех. Модель почти мгновенно распознала пульт дистанционного управления, и прогноз был стабильным, хотя он составлял всего 65%. То же самое касается апельсина. Плюшевого мишку было немного сложнее распознать, так как это довольно большой объект, и модель колебалась между коалой и плюшевым мишкой. После того, как я держал камеру стабильно и хорошо видел плюшевого мишку, модель продолжала обозначать его как плюшевого мишку.
SqueezeNet
Из трех моделей эта была, на мой взгляд, худшей, она не распознала один объект правильно. Идем дальше.
МобильныйNetV2
Как и ResNet-50, хорошая модель. Однако процент достоверности в основном ниже, чем у ResNet-50. Трудно было получить стабильную классификацию плюшевого мишки.
Вывод
На мой взгляд, ResNet-50 здесь победитель. В общем, я очень разочарован качеством моделей, которые предлагает Apple. Так что, возможно, пришло время поискать дополнительные варианты.
Какие есть альтернативы
Если вы не удовлетворены результатами, у вас есть другие варианты использования машинного обучения в вашем приложении для iOS. Вы можете преобразовать другие модели в модели Core ML, преобразовав их с помощью инструментов Core ML. Другой вариант — создать собственную модель с помощью Create ML или Turi Create.
