2025-02-14 ZippyVision Report #4 - Ozols
IoU
| mean | background | bark | black_knot | bugs | crack | decay | knot_hole | knot | sapwood | |
|---|---|---|---|---|---|---|---|---|---|---|
| Ozols IoU | 0.3228 | 0.7924 | 0.0654 | 0.1091 | 0 | 0.0319 | 0.6178 | 0.0248 | 0.0307 | 0.5372 |
| Small defects IoU | 03113 | 0.9907 | 0.0955 | 0.1667 | 0 | 0.1236 | NA | 0 | 0.0753 | NA |
| Big defects IoU | 0.6885 | 0.7562 | NA | NA | NA | NA | 0.7077 | NA | NA | 0.734 |
Quality metrics
| PQ | RQ | SQ | |
|---|---|---|---|
| Ozols | 0.0283 | 0.0322 | 0.0443 |
| Small defects only | 0.0082 | 0.0128 | 0.0165 |
Ozola modelis (mazie un lielie defekti kopā)
Ozola modelis (mazie defekti)
Ozola modelis (lielie defekti)
Apmācība ar un bez bāzes modeļa (pre-training)
Finetune rozā, ir apmācot modeli ar iepriekšējām zināšanām no citām datu kopām! Var redzēt ka pretraining ievērojami paātrina apmācību salīdzinot ar no nekā apmācītu modeli.
Kļūdu līknes (jo zemāka vērtība, jo labāka)
Apmācību kopā IoU (jo augstāka, jo labāka)
Validācijas kopā IoU (jo augstāka, jo labāka)
Problemātiskie paraugi
Pa kreisi orģinālais attēls Pa vidu prognozētais Pa labi marķējums
🔴 Problēma nr.1. Zaru tipi - Lielos tekstūrveidīgos zarus jāizdala, mazos zarus, kamēr nav pietiekami daudz paraugu jāapvieno, nākotnē var izdalīt
Marķējumā nav atzīmēta plaisa, nekonsistenti zari atzīmēti - ieteikums lielos zarus, kuri izteikti neparādās tekstūrā nemarķēt tāpat kā mazos apaļos. Lielos zarus vajadzētu pārnest pie lielo defektu modeļa.
Mazos zarus ļoti grūti atšķirt no netīrumiem, bet klase tāda paša kā lielajiem tekstūru zariem. Mazos spēj atpazīt ar lielajiem ir problēma
Mazie zari nav vienā kategorijā kā šādi, kas pusi bildes paņem un vizuāli izskatās, ka turpinās līdz pat dēļa malai
🔴 Problēma Nr2. Lielajam modelim neder marķēt visu dēli kā defektu var skaidri redzēt, ka modelis meklē detalizētas tekstūras iezīmes, kas bojā kvalitāti. Tas ko var darīt ir vai nu atstāt apmācībās tikai dēļus, kur mainās bojājums (tādi paraugi maz) vai arī ieviest klasifikatora modeli, kas visu attēlu marķē kā Decay piemēram un tad ja nav viss dēlis kā decay, tad var iet pāri ar segmentatēšanas modeli - tā jūs iegūsiet labāku precizitāti!
Zemākos paraugos var redzēt, ka modelis cenšas prognozēt apgabalus nevis vnk visu dēli kā marķētu apgabalu
