Model EfficientNet

Dieser Funktionsblock nutzt die EfficientNet-Architektur für Aufgaben zur Klassifizierung von Bildern. Er ermöglicht es Benutzern, verschiedene Versionen des EfficientNet-Modells auszuwählen, die Eingangsgröße anzugeben und eine Pooling-Methode für die Modulausgabe auszuwählen.

📥 Eingänge

Choose Folder 2D Verbinden Sie eine Datenquelle, die Eingabebilder im erforderlichen Format bereitstellt.

📤 Ausgänge

Dieser Funktionsblock gibt ein trainiertes Modell basierend auf der EfficientNet-Architektur aus.

🕹️ Steuerungen

Model Type Ein Dropdown-Menü, das es Benutzern ermöglicht, aus verschiedenen Versionen des EfficientNet-Modells (B0 bis B7) auszuwählen.

Input Size Ein Feld, in dem die Benutzer die Größe des Eingabebildes angeben können. Der minimal zulässige Wert beträgt 32.

Pooling Ein Dropdown-Menü, in dem die Benutzer eine Pooling-Methode (Maximal, Durchschnitt oder Keine) auswählen können.

🎨 Funktionen

Multiple Model Versions Benutzer können aus verschiedenen Varianten von EfficientNet wählen, je nach ihren Rechenanforderungen und Leistungsanforderungen.

Flexible Input Size Die Eingangsgröße kann angepasst werden, sodass das Modell für verschiedene Bildgrößen verwendet werden kann.

Configurable Pooling Method Benutzer können wählen, wie das Modell die räumlichen Dimensionen in der Ausgabe komprimiert, was das Verhalten und die Leistung des Modells beeinflusst.

📝 Nutzungshinweise

1. Connect Input: Verknüpfen Sie eine Quelle, die 2D-Bilder bereitstellt, mit dem Eingang.

2. Select Model Type: Wählen Sie eine der EfficientNet-Varianten aus dem Dropdown-Menü Model Type.

3. Set Input Size: Geben Sie die gewünschte Eingangsbildgröße im Feld Input Size ein.

4. Choose Pooling Method: Wählen Sie eine geeignete Pooling-Methode aus dem Dropdown-Menü Pooling.

5. Evaluate the Block: Führen Sie den Block aus, um das EfficientNet-Modell basierend auf der angegebenen Konfiguration vorzubereiten.

📊 Bewertung

Bei der Auswertung gibt dieser Funktionsblock ein konstruiertes EfficientNet-Modell aus, das für weitere Trainings- oder Inferenzaufgaben verwendet werden kann.

💡 Tipps und Tricks

Wahl des richtigen Modells

Wenn Sie mit begrenzten Rechenressourcen arbeiten, sollten Sie EfficientNetB0 oder EfficientNetB1 verwenden, da diese leichter sind und weniger Speicher benötigen.

Pooling-Optionen

Die Verwendung von Maximum-Pooling könnte bessere Ergebnisse in Aufgaben liefern, bei denen das Beibehalten des höchsten Detailgrads entscheidend ist. Experimentieren Sie mit verschiedenen Pooling-Methoden, um herauszufinden, was für Ihre spezifische Aufgabe am besten funktioniert.

Überlegungen zur Eingangsgröße

Stellen Sie sicher, dass Ihre Eingangsgröße ein Vielfaches von 32 ist, da EfficientNet-Modelle für diese Skalierung optimiert sind. Eine Größe von 256 ist eine beliebte Wahl für viele Anwendungen.

🛠️ Fehlersuche

Ungültige Eingangsgröße

Wenn Sie eine Fehlermeldung erhalten, die besagt, dass die Eingangsgröße ungültig ist, stellen Sie sicher, dass der eingegebene Wert eine ganze Zahl ist und größer oder gleich 32 ist.

Falsches Bildformat

Wenn das Modell einen Fehler über das Bildformat ausgibt, überprüfen Sie, ob Sie korrekt formatierte RGB-Bilder verwenden, da EfficientNet nur RGB-Eingaben unterstützt.