AugeLab Studio Manual
Türkçe
Türkçe
  • 👋AugeLab Studio Kullanıcı Kılavuzuna Hoş Geldiniz
  • 📘Giriş
    • AugeLab Studio
    • Ana Özellikler
    • Kullanım Durumları
    • Sistem Gereksinimleri
  • 🚀Başlarken
    • Kayıt Olma
    • Kurulum
    • İlk Bakış
    • Basit Tur
    • İlk Projeniz
      • Temel Bilgiler
      • Tespit
      • Tamamlama
    • Daha Fazla Yerel Örnek
    • Daha Fazla Okuma
  • 🖥️AugeLab Studio Arayüzü
    • Ayrıntılı İnceleme
    • Senaryo Alanı
    • Menü ve Araç Çubuğu
    • Projeleri Yönetme
    • Yapay Zeka Yükleme ve Daha Fazlası
      • Modül İndirme ile Yapay Zeka Kullanın
  • 🧱Fonksiyon Blokları
    • Blok Yapıları
    • Sockets
    • Bloklar Kolonu
    • Bağlantılar
    • Tüm Fonksiyon Blokları
      • AI Blocks
        • Face Detection
        • Mask Detection
        • Object Detection - Custom
        • Object Detection
        • Pose Estimation
        • Safety Equipment Detection
        • Social Distance Detector
        • Super Resolution
        • Text Detection
        • OCR
      • CNN Blocks
        • Average Pooling 2D
        • Batch Normalization
        • Choose Folder 2D
        • Compile Model
        • Conv. Sep. Layer 2D
        • Conv. Trans. Layer 2D
        • Convolutional Layer 2D
        • Dropout Layer
        • Flatten Layer 2D
        • Fully Connected
        • Global Average Pooling 2D
        • Global Max Pooling 2D
        • Input Layer 2D
        • Loss CCE
        • Max Pooling 2D
        • Metrics Accuracy
        • Model EfficientNet
        • Model MobileNet
        • Model ResNet
        • Model VGG
        • Optimizer Adadelta
        • Optimizer Adagrad
        • Optimizer Adam
        • Optimizer Adamax
        • Optimizer FTRL
        • Optimizer Nadam
        • Optimizer RMSProp
        • Optimizer SGD
        • ReLU Layer
        • Softmax Layer
        • Training Parameters
      • Data/Logic
        • Flow Control
          • Batch Concatenation
          • Batch Processing
          • Debatch
          • Get Batch Size
          • HMI Background
          • Subsystem Enabled
          • Subsystem In
          • Subsystem Loop
          • Subsystem Out
          • Subsystem
        • logic
          • All True
          • And
          • Demux
          • Equals
          • Greater
          • Logic Operations
          • Mux
          • Not
          • Or
          • Set - Reset
          • Smaller
        • Mathmetical Operations
          • Add
          • Counter
          • Divide
          • Math Operations
          • Maximum
          • Minimum
          • Multiply
          • Not Equals
          • Round
          • Square Root
          • Subtract
          • Trigonometry
        • Data Operations
          • Data Memory
          • Data to JSON
          • Data Type Converter
          • Datetime Compare
          • Dictionary Operations
          • Exclude Nones
          • Find Substring
          • Get Element
          • Is None
          • List Operations
          • Parse Data Dictionary
          • Replace None
          • String Merge
          • String Operations
        • Referencing
          • Data Read Global
          • Data Read Local
          • Data Write Global
          • Data Write Local
          • Debug Input
          • Tag From
          • Tag To
        • Signal Operators
          • Delay Step
          • Edge Falling
          • Edge Rising
          • Multi Port Switch
          • OFF Delay
          • ON Delay
      • Image/Transformations
        • Analysis
          • Color Density Percentage
          • Get Dimension
          • Histogram On Curve
          • Histogram On Line
          • Image Color Match
          • Image Memory
          • Image Resolution and Channel Value
          • Maximum Images
          • Mean Value of Image
          • Measure Position Distance
          • Minimum Images
          • Non-zero of Image
          • Std. of Image
          • Structural Similarity
        • Transformation Filters
          • Auto Alignment
          • Auto Contrast
          • Color Quantizer and Clustering
          • Color Space
          • Contrast-Brightness-Gamma
          • Contrast Optimization
          • Deconvolution
          • Denoising
          • Distance Transformation
          • FloodFill
          • Grab Cut Algorithm
        • Color Filters
          • 2D Filter
          • Apply Mask
          • Bilateral Filter
          • Blur
          • Edge Filter
          • HSV Filter
          • Image Adaptive Threshold
          • Image Threshold
          • Invert Image
          • Morphological Transformations
          • Normalize Image
          • RGB Mask
          • RGB Set
          • Sobel Filter
        • Operations
          • Add Images Weighted
          • Add Images
          • Collage Images
          • Divide Images
          • Flip Image
          • Image AutoRotator
          • Image Concatenate
          • Image Resize
          • Image Resizer
          • Merge Channels
          • Multiply Images
          • Polar Transform
          • Rotate Image Angle
          • Slice Image
          • Split Image
          • Subtract Images
      • Detections/Shapes
        • Detectors
          • Barcode Reader
          • Blob Detector
          • Blur Detector
          • Circle Detector
          • Corner Detector
          • Custom CNN Model
          • Data Matrix Reader
          • Detect Reference
          • Feature Detector
          • Find Object - Multiple Image
          • Find Object
          • Find Reference
          • Harris Corner Filter
          • Line Detector
          • Match Shapes
          • Measure Object Distance
          • Shape Detector
        • Draw
          • Draw Detections
          • Draw Line
          • Draw Point
          • Draw Rectangle
          • Draw Result On Image
          • Write Date On Image
          • Write Text On Image
        • Roi Processing
          • Check Area (Polygon)
          • Check Area
          • Get Pixel Mouse
          • Get Pixel
          • Get ROI
          • Image ROI Center
          • Image ROI Polygon
          • Image ROI Select Multi
          • Image ROI Select
          • Image ROI
          • Perspective Transform
          • Rectangles in Rectangle
        • Shape Analysis
          • Approximate Contour
          • Choose Line
          • Contour to Image
          • Fill Contour
          • Find Contour
          • Hull Convex
          • Minimum Circle
          • Minimum Ellipse
          • Minimum Rectangle
          • Minimum Rotated Rectangle
          • Most Similar Shape
          • Point Polygon Test
      • Input/Output
        • Communication
          • Modbus Connect
          • Modbus Read
          • Modbus Write
          • MQTT Publish
          • MQTT Subscribe
          • OPC UA Client
          • OPC UA Read
          • OPC UA Write
          • REST API - Get
          • REST API - Post
          • Send Mail
          • Siemens S7 Connect
          • Siemens S7 Read
          • Siemens S7 Write
        • Data Inputs
          • Date-Time List
          • Date-Time
          • Headless Check
          • Keyboard/Barcode Reader
          • Logic Input
          • Number Input
          • Number Range
          • PWM (Pulse Width Modulation)
          • Rising Edge
          • String Input
          • Text
        • Image Inputs
          • Camera IP (ONVIF)
          • Camera IP
          • Camera USB External
          • Camera USB Vidgear
          • Camera USB
          • Load Image From Path
          • Load Image
          • Make Image
          • Pixel
          • Video
        • Outputs/Exports
          • CSV Export
          • Cycle Timer
          • File/Folder Operations
          • GPU Statistics
          • Image Logger
          • Image Write
          • Led Output
          • Multi Image Write
          • Output
          • Scope
          • Show Image
          • Stop
  • 📡Cihazlar ve İletişim
    • Kamera Kullanımı
    • İletişim Protokolleri
    • Daha Fazla Okuma
  • 🧩Örnek Projeler
    • Demo Projeler
    • Çevre Ölçümü
    • Nesne Sayma
    • Karo Genişliği Ölçümü
    • İnsan Tespiti
    • Nesne Tespiti
  • 🔑Ana Özellikler
    • Özel HMI Uygulamaları Yayınlayın
    • Nesne Tespiti için Verileri İşaretleyin
    • Özel AI Modelleri Eğitin
      • Doğru Veritabanını Seçme
      • Eğitim Ne Zaman Durmalı
    • Eklentiler Oluşturun
      • Bileşenler
      • Kodlama Referansı
    • Çözümlerinizi Toplulukla Paylaşın
    • Python Paketlerini Yükleyin
  • 📑SSS
    • Bizimle İletişime Geçin
    • SSS
    • Tam bir projeyi kurma
  • Ek Kaynaklar
    • Eğitim Takvimi
    • Eğitim Materyalleri
    • AugeLab Uzmanları
  • Ek
    • Sözlük
    • Kaynaklar
Powered by GitBook
On this page
  • 📥 Girdiler
  • 📤 Çıktılar
  • 🕹️ Kontroller
  • 🎨 Özellikler
  • 📝 Kullanım Talimatları
  • 📊 Değerlendirme
  • 💡 İpuçları ve Püf Noktaları
  • 🛠️ Sorun Giderme

Was this helpful?

  1. Fonksiyon Blokları
  2. Tüm Fonksiyon Blokları
  3. CNN Blocks

Model MobileNet

Bu fonksiyon bloğu, nesne tespiti ve görüntü sınıflandırma görevleri için MobileNet mimarisini entegre eder. Kullanıcılara çeşitli MobileNet sürümlerinden seçim yapma ve giriş boyutları ile havuzlama yöntemleri için belirli parametreleri yapılandırma imkanı sunar.

📥 Girdiler

Bloğun, özellikle analiz için biçimlendirilmiş görüntüler üreten önceki fonksiyon bloklarından giriş kabul eder.

📤 Çıktılar

Seçilen parametrelere göre yapılandırılmış bir eğitimli MobileNet modeli döndürür.

🕹️ Kontroller

Model Type Kullanıcıların mevcut MobileNet modellerinden birini seçmesine olanak tanıyan bir açılır menü:

  • MobileNet

  • MobileNetV2

  • MobileNetV3 Small

  • MobileNetV3 Large

Input Size Kullanıcıların model için giriş boyutunu belirtebileceği bir metin alanı. Geçerli boyut bir tamsayı olmalı ve 32'den küçük değerler hata almanıza neden olacaktır.

Model Width Modelin genişliğini ayarlamak için kullanılan bir kaydırıcı; bu, modelin karmaşıklığını ve kaynak gereksinimlerini etkiler.

Pooling Özellik çıkarımı için havuzlama yöntemini seçmek üzere bir açılır menü. Seçenekler:

  • Maximum (Max Pooling)

  • Average (Average Pooling)

  • None

🎨 Özellikler

Multiple Model Options Kullanıcılar, model derinliği ve karmaşıklığı dahil olmak üzere, spesifik ihtiyaçlarına göre çeşitli MobileNet yapılandırmaları arasından seçim yapabilir.

Dynamic Configuration Giriş boyutu ve havuzlama yöntemlerini ayarlama imkanı, kullanım bağlamına göre esneklik sağlar.

Input Validation Bloğun, giriş boyutu ve renk tipinin MobileNet mimarisine uygun olup olmadığını kontrol eden kontrolleri içerir.

📝 Kullanım Talimatları

  1. Connect Input: Önceki bir işlemden model girişini bağlayın, uygun formatta olduğundan emin olun.

  2. Select Model Type: Model Type açılır menüsünü kullanarak mevcut MobileNet sürümlerinden birini seçin.

  3. Set Input Size: Input Size alanında geçerli bir tamsayı girin. 32 veya daha büyük bir değer olduğundan emin olun.

  4. Adjust Model Width: MobileNet modelinin genişliğini ayarlamak için Model Width kaydırıcısını kullanın.

  5. Choose Pooling Method: Pooling açılır menüsünden istediğiniz havuzlama yöntemini seçin.

  6. Evaluate Model: Belirtilen yapılandırmalarla MobileNet modelini başlatmak için bloğu çalıştırın.

📊 Değerlendirme

Çalıştırıldığında, bu fonksiyon bloğu yapılandırılmış bir MobileNet modeli döndürecek, eğitim veya sonuç çıkarımı için hazır hale gelecektir.

💡 İpuçları ve Püf Noktaları

Doğru Modeli Seçme

İhtiyaçlarınıza göre bir model seçin. Daha hafif görevler için MobileNetV3 Small kullanmayı, daha karmaşık görevler için MobileNetV3 Large kullanmayı düşünün.

Performansı Yönetme

Performans sorunları yaşıyorsanız, giriş boyutunu ve model genişliğini azaltmayı düşünün. Daha düşük değerler sistem kaynak kullanımını azaltacaktır.

Giriş Boyutu Gereksinimleri

Görüntülerinizin belirtilen giriş boyutuna uygun olduğundan her zaman emin olun; yanlış boyutlar çalışma zamanı hatalarına yol açabilir.

Havuzlama Teknikleri

Hassas mekansal bilginin kritik olmadığı görevler için Ortalama havuzlama kullanın, özellik temsilinin önemli olduğu durumlarda Maksimum havuzlama tercih edin.

🛠️ Sorun Giderme

Geçersiz Giriş Boyutu

Eğer giriş boyutuyla ilgili bir hata alıyorsanız, değerin 32 veya daha büyük bir tamsayı olduğundan emin olun. Gerekirse ayarlayın.

Renk Tipi Hatası

RGB formatında biçimlendirilmemiş görüntüler için MobileNet bir hata verecektir. Bu bloğa geçmeden önce görüntülerinizin doğru renk formatında olduğundan emin olun.

Model Yapılandırma Sorunları

Modeli başlatırken sorunlar yaşıyorsanız, model tipi, giriş boyutu ve havuzlama için yapılan seçimleri tekrar kontrol edin. Her biri, modelin etkili bir şekilde eğitilebilmesi için uyumlu olmalıdır.

PreviousModel EfficientNetNextModel ResNet

Last updated 8 months ago

Was this helpful?

🧱