Choose Folder 2D

Dieser Funktionsblock wird verwendet, um ein Verzeichnis auszuwählen, das Bilddaten enthält, die in strukturierten Ordnern organisiert sind. Er wurde entwickelt, um die Vorbereitung der Daten für das Training eines 2D-Konvolutionalen Neuronalen Netzwerks (CNN) zu erleichtern.

📥 Eingänge

Dieser Funktionsblock hat keine Eingänge.

📤 Ausgänge

PNNModel Diese Ausgabe bietet die Konfiguration des Modells, einschließlich des Pfads zu den Trainingsdaten und der aus dem Datensatz abgeleiteten Klassen.

🕹️ Steuerungen

Channel Size Ein Dropdown-Menü, mit dem Sie den Farbmix für das Lesen von Bildern (z. B. Graustufen oder RGB) angeben können.

Data Augmentation Ein Kontrollkästchen, das die Datenaugmentation während des Trainingsprozesses aktiviert oder deaktiviert. Dies kann helfen, die Robustheit des Modells zu verbessern.

Choose Folder Ein Button, der beim Klicken einen Dialog öffnet, um den Ordner mit dem strukturierten Datensatz auszuwählen.

🎨 Funktionen

Structured Folder Support Der Block prüft eine spezifische Ordnerstruktur (train, validation und test), um sicherzustellen, dass die Daten korrekt für das Modelltraining organisiert sind.

Class Logging Protokolliert automatisch die Klassennamen, die im Verzeichnis der Trainingsdaten gefunden wurden, zur Referenz für den Benutzer.

📝 Nutzungshinweise

1. Select Folder: Klicken Sie auf den Choose Folder-Button, um das Verzeichnis mit Ihren Bildern zu finden. Der Ordner sollte Unterverzeichnisse für train, validation und optional test enthalten.

2. Configure Channel Size: Wählen Sie den gewünschten Lese-Modus für Bilder (Graustufen oder RGB) über das Dropdown-Menü aus.

3. Toggle Data Augmentation: Aktivieren oder deaktivieren Sie die Option Data Augmentation, je nachdem, ob Sie während des Trainings eine Augmentation anwenden möchten.

4. Evaluate: Führen Sie den Funktionsblock aus, um eine Modellkonfiguration basierend auf dem ausgewählten Datensatz zurückzugeben.

📊 Bewertung

Wenn er ausgeführt wird, prüft dieser Funktionsblock die gewählte Ordnerstruktur, protokolliert die relevanten Klassen und bietet die erforderlichen Konfigurationen für das Training eines CNN, wobei eine strukturierte Ausgabe für die weitere Verarbeitung zurückgegeben wird.

🛠️ Fehlersuche

Ordner nicht gefunden

Stellen Sie sicher, dass der ausgewählte Ordner gültig ist und die erforderlichen Unterordner enthält: train, validation und test. Wenn einer fehlt, protokolliert der Block entsprechende Fehler.

Keine Klassen gefunden

Wenn die Ordnerstruktur korrekt ist, aber Klassen fehlen, überprüfen Sie, ob Sie Verzeichnisse innerhalb des train-Ordners befüllt haben. Jedes Unterverzeichnis im train sollte eine Klasse darstellen.

Ungültige Eingabe für die Kanalgröße

Stellen Sie sicher, dass die Wahl für die Kanalgröße mit den Formaten der Bilder im Verzeichnis übereinstimmt. Die Bilder sollten entweder mit RGB oder Graustufen konsistent sein.

💡 Tipps und Tricks

Daten effizient organisieren

Strukturieren Sie Ihr Dataset immer mit den richtigen Klassenverzeichnissen innerhalb der Ordner train, validation und test. Dies hilft, den Datenfluss für Training und Evaluierung automatisch zu verwalten.

Datenaugmentation verwenden

Die Verwendung von Datenaugmentation kann die Modellleistung erheblich verbessern, indem sie Variabilität im Datensatz bereitstellt. Stellen Sie jedoch sicher, dass die Augmentierungseinstellungen für die spezifischen Anforderungen Ihres Modells geeignet sind.

Ordnerprobleme debuggen

Nutzen Sie die Debug-Funktion in Ihrer Umgebung, indem Sie die DEBUG-Variable auf true setzen, um zusätzliche Informationen über die Ordnerstruktur und die Klassenerkennung zu protokollieren.