012 Классификация изображений. Часть 5. SqueezeNet (2016)

SqueezeNet сильно выделяется среди других моделей. Авторы сделали упор не на точность распознавания, как это делали авторы других моделей, а на то, чтобы модель занимала как можно меньше памяти. И им это удалось. Даже на сегодняшний день 2024, модель SqueezeNet находится в лидерах по компактности. Точность распознавания конечно ниже чем у других моделей. Но когда нужно внедрить компьютерное зрение в слабое оборудование, то выбор уже стоит такой: или внедрить с пониженной точность распознавания, или вообще без возможности внедрения более тяжёлых моделей. В этом видео рассмотрим архитектуру модели, традиционно посмотрим как сложилась судьба создателей этой модели. Обучим сеть, проанализируем результаты. Кроме этого исправим пару багов, которые были внесены рефакторингом, и на момент выхода видео не были обнаружены. Таймкоды: 00:00 | Введение 02:27 | Знакомимся с авторами статьи 11:58 | Разбираемся с научной статьёй 16:06 | Что же такое модель Fire 18:37 | Разбор архитектуры SqueezeNet 21:35 | Пару слов про сжатие модели 22:19 | О результатах, полученных авторами статьи 24:37 | Фиксим баги, внесённые во время рефакторинга 26:30 | Обучаем модель SqueezeNet и смотрим на цифры результатов 30:30 | Анализируем как модель распознавала изображения 34:15 | Заключение

Видео 012 Классификация изображений. Часть 5. SqueezeNet (2016) автора Мотькин ИИ