NAS Базовая модель для обнаружения дефектов солнечных панелей

О сервисе

Описание модели NAS Базовая модель — это настраиваемая сверточная нейронная сеть на основе PyTorch, автоматически найденная с использованием Optuna (нейронный архитектурный поиск) . Она служит высокоэффективным, легковесным экстрактором признаков (строго ограниченным до 300 000 параметров), специально оптимизированным для выявления поверхностных аномалий, таких как царапины и поломки на фотоэлектрических (PV) солнечных панелях. Эта модель предназначена для легкой интеграции в более крупные конвейеры обнаружения. Независимо от того, выступает ли она в качестве основного бэкбона для Faster R-CNN или гибридной FPN, или работает автономно для классификации изображений, она использует передовые строительные блоки свертки, включая , , и , для оптимизации пространственного анализа признаков при сохранении невероятно низкого уровня вычислительных затрат. Как была обучена модель Модель была обучена с использованием подхода нейронного архитектурного поиска (NAS) с помощью библиотеки Optuna. Этот метод позволяет автоматически находить оптимальную архитектуру нейронной сети, которая наилучшим образом решает поставленную задачу, в данном случае — обнаружение дефектов на солнечных панелях. NAS позволяет динамически масштабировать глубину и размерности каналов на основе структурного словаря , что делает модель крайне адаптивной и эффективной. Применение модели Модель может быть использована как отдельный экстрактор признаков, так и в составе более сложных систем обнаружения объектов. Вот два основных сценария использования: NAS Базовый экстрактор признаков: Чистый экстрактор признаков, обнаруженный в ходе исследования гиперпараметров Optuna. Он динамически масштабирует свою глубину и размерности каналов на основе структурного словаря . Пример использования: Гибридная Faster R-CNN с FPN: Полный двухэтапный конвейер обнаружения объектов. Этот экземпляр одновременно обрабатывает изображение через жестко закодированный ShuffleNetV2 и динамическую NAS Базовую модель , объединяя их карты признаков через пользовательскую сеть FPN с масштабированием 1x1 сверток. Он также применяет 50% разреженность параметров непосредственно к линейным слоям обнаружения. Пример использования: Ссылки carunmanikandan/nas-model-p-vbroken-scartch на Kaggle Источник: https://qubu.ai/models/nas-bazovaya-model-dlya-obnaruzheniya-defektov-solnechnykh-panelei License: MIT