Урса м11 технические характеристики: Утеплитель URSA GEO М-11-2 (10000x1200x50 мм) 2 шт в упаковке купить в Екатеринбурге по выгодной цене
Урса М11 (GEO M-11) — легкий и качественный материал
Прайс-лист
Области применения утеплителя УРСА М-11
Благодаря своему высокому качеству, а главное легкости урса м11 остается главным материалом, который широко используется для возведения и утепления горизонтальных строительных конструкций. Поскольку утеплитель урса м11обладает высокими тепло- и звукоизоляционными свойствами, он считается одним из самых востребованный продуктов на рынке строительных материалов. В добавок к этому, цена на модель урса м11 достаточно низкая, что делает утеплитель общедоступным и широко использованным. Широко применяется утеплитесь урса м11, при предварительной установке пароизоляции, для качественного утепления и теплоизоляции:
- чердачных перекрытий;
- перекрытий между этажами;
- полов над холодными подвалами;
- для утепления труднодоступных мест (благодаря легкости в использовании и высокой сжимаемости).
Преимущества
Среди преимуществ утеплителя урса м11 сразу нужно назвать высокую тепло- и звукоизоляцию. Достаточно низкий коэффициент теплопроводности, который свидетельствует о высоких показателях теплоизоляции, позволит в дальнейшем значительно экономить на энергоносителях. В дополнение к этому, утеплитель характеризуется надежностью и долгим сроком качественной эксплуатации. Легкость материала и его использования – это одна из главных причин такого обширного использования утеплителя. Простота монтажа – дополнительное преимущество для тех, кто использует утеплитель Урса м11 для обустройства комфорта и безопасности своего дома.
Характеристики Урса м11
Главными техническими характеристиками утеплителя Урса м11 являются:
- Хорошая плотность: 9 до 13 кг. / куб. м.;
- Удельная теплоемкость: 0,84;
- Сжимаемость при нагрузке 2000 Па: 90 %;
- Теплопроводность: при 10 градусах ºС — 0,041 Вт/мК, при 25 градусах ºС — 0,044 Вт/мК;
- Коэффициент теплоусвоения: 0,19 — 0,22;
- Коэффициент паропроницаемости: 0,7 мг/мчПа;
- Водопоглащение при частичном погружении, за 24 часа: 150;
- Сорбционная влажность за 72 часа: 5;
- Массовое отношение влаги в материале: 2 — 5;
- Связующее вещество (содержание): 6 +/-0,5%;
- Температурные пределы применения: -60 до 180 ºС;
- Горючесть: НГ;
- Коэффициент потерь: 0,52.
Утеплитель Урса м11, созданный при использовании новых технологий и характеризующийся такими преимуществами, как легкость, простота в использовании и высокая тепло- и звукоизоляция, является отменным выбором для вашего дома. Урса м11 занимает свое почетное место среди качественных и недорогих утеплителей на рынке строительных материалов и широко применяется в разных областях.
URSA GEO М-11 (40 RN).Теплоизоляционные маты URSA GEO М-11(40 RN).
На главную > Теплоизоляционные материалы > URSA > URSA GEO > URSA GEO М-11
URSA GEO М-11 (40 RN) — это экологичные теплоизоляционные маты марки М11 из линейки URSA GEO. Утеплитель URSA GEO М-11 представляет собой легкие и мягкие минеральные маты с эластичной структурой, которые выпускаются с толщиной мата от 5 до 10 см, длиной материала от 7 до 10 м, и шириной 1,2 м. По запросу покупателя возможно изготовление теплоизоляции с размерами заказчика. Поставка осуществляется в рулонах, упакованных в фирменную пленку.
Области применения
Основная область применения утеплителя URSA GEO М-11 – это теплоизоляция и звукоизоляция ненагруженных горизонтальных строительных конструкций. А именно: чердачные и межэтажные перекрытия по балкам, железобетонные перекрытия по балкам над холодными подвалами и полы по лагам, плоские и малоуклонные кровли, модульные здания и кровли из каркасных сэндвич-панелей.
Также теплоизоляционные маты URSA GEO М-11 могут использоваться для утепления каркасно-обшивных перегородок и каркасных облицовок стен, в качестве изоляции в среднем слое для перегородок из камней и блоков, и для изоляции трубопроводов, воздуховодов и промышленного оборудования.
Размеры матов URSA GEO М-11
Толщина, мм | Длина, мм | Ширина, мм | Площадь матов в упаковке, м | Объем матов в упаковке, м3 | Количество матов в упаковке, шт |
50 | 7000 | 1200 | 16,8 | 0,84 | 2 |
50 | 9000 | 1200 | 21,6 | 1,08 | 2 |
50 | 10000 | 1200 | 24 | 1,2 | 2 |
100 | 10000 | 1200 | 12 | 1,2 | 1 |
Технические характеристики URSA GEO М-11 (40 RN)
Наименование | Значение |
Теплопроводность λ10 | 0,040 Вт/мК |
Теплопроводность λ125 | 0,075 Вт/мК |
Теплопроводность λА | 0,044 Вт/мК |
Теплопроводность λБ | 0,046 Вт/мК |
Коэффициент паропроницаемости | 0,589 мг/мчПа |
Сопротивление паропроницанию R | 0,042 м2*ч*Па/мг |
Водопоглощение, не более | 1 кг/м2 |
Класс пожарной опасности | КМ0 |
Горючесть | НГ (негорючий) |
Температура применения | от -60 до +270°C |
Срок эксплуатации | 50 лет |
Минеральная вата URSA GEO М-11 2*6250*1200*50 мм (15м2)
Описание
Минеральная вата URSA GEO М-11 толщиной 50 мм обладает неплохими звукоизоляционными свойствами. Для материала характерен малый вес, что делает простыми монтажные работы, а также уменьшает нагрузки на основание. Поставляется в рулонах по 2 плиты общей площадью 15 метров квадратных и объёмом 0.78 метра кубического.
Минеральная вата URSA GEO М-11 универсальный классический материал для тепло и звукоизоляции, рекомендуемый для использования в горизонтальных строительных конструкциях. Самый популярный изоляционный материал в России на протяжении более 25 лет!
Минеральная тепло- и звукоизоляция на основе стекловолокна.
Произведена по эко-технологии GEO.
- Экономичный вариант для частного домостроения.
- Легкий универсальный продукт, рекомендуемый для использования в горизонтальных ненагруженных строительных конструкциях.
- Произведен с использованием технологии защиты от влаги Water Guard ™, поэтому не теряет свои свойства при случайном намокании во время транспортировки или монтажа.
- Гарантия производителя 50 лет.
Рекомендуемые области применения
- Чердачные перекрытия по балкам.
- Межэтажные перекрытия по балкам.
- Перекрытия по балкам над холодными подвалами.
- Железобетонные перекрытия, полы по лагам.
- Крыши из каркасных сэндвич-панелей поэлементной сборки.
- Теплоизоляция балкона/лоджии с использованием минеральной изоляции.
- Реконструкция плоских и малоуклонных крыш.
- Модульные здания (бытовки).
- Звукоизоляционные каркасно-обшивные перегородки (обязательное условие: толщина материала должна соответствовать внутреннему расстоянию между обшивками каркаса).
- Перегородки из камней и блоков, изоляция в среднем слое.
- Каркасные облицовки стен и перегородок (обязательное условие: толщина материала должна соответствовать внутреннему расстоянию между обшивкой каркаса и поверхностью стены).
- Каркасные стены с деревянным или металлическим каркасом (обязательное условие: толщина материала должна соответствовать внутреннему расстоянию между обшивками каркаса).
- Изоляция трубопроводов.
- Изоляция воздуховодов.
- Изоляция промышленного оборудования.
Основным сырьем для теплоизоляции минеральная вата URSA GEO М-11 служит кварцевый песок, благодаря чему материал является не только природным по происхождению. Минеральное волокно на основе кварцевого песка не подвержено старению и во время эксплуатации не изменяет своих механических и прочностных свойств. Срок службы теплоизоляции составляет не менее 50 лет. Минеральная изоляция имеет неорганическую природу, не подвержена гниению и не содержит питательных веществ для жизни насекомых, грызунов и микроорганизмов.
Минеральная вата URSA GEO М-11 принимает форму поверхностей любой кривизны. За счет своей гибкости и эластичности, вплотную прилегает к утепляемой поверхности и стыкуется между собой, не оставляя зазоров. За счет высокой упругости материалы не требуют высокоточной нарезки и подгонки размеров, монтируются в каркас враспор и удерживаются в конструкции без дополнительной фиксации. Кроме того, материалы Ursa GEO легко переносить, они не ломаются и не крошатся во время операций на стройплощадке.
Технические характеристики
- Теплопроводность λ10 0,040 Вт/мК
- Теплопроводность λ25 0,044 Вт/мК
- Теплопроводность λА 0,044 Вт/мК
- Теплопроводность λБ 0,046 Вт/мК
- Теплопроводность λ125 0,075 Вт/мК
- ГорючестьНГ
- Класс пожарной опасности КМ0
- Температура применения, С от -60 до +270
- Коэффициент паропроницаемости 0,589 мг/мчПа
- Сопротивление паропроницанию R0,042 м2*ч*Па/мг
Продукция УРСА на нашем сайте
Сайт производителя сертификат соответствия
iPhone (5s или новее) iPad Pro (все модели) iPad Air (все модели) iPad (5-го поколения или новее) iPad mini (2-го поколения или новее) iPod touch (6-го поколения или новее) Это универсальное приложение, которое изначально поддерживает iPhone, iPad и iPod touch, всего за одну покупку. | Требуется iOS 12 или новее. Операционные системы Beta не поддерживаются. | AJA CIONALPA 12 FPS, 12 MAX, 12 METRIC, 12 PANO, 12 PLUS, 12 STC, 12 SWA, 12 TC, 12 TC si, 12 WA, 12 XY, PlatonArca-Swiss F-classic 4×5, F-classic 5×7, F-classic 6×9, F-classic 8×10, F-метрический 4×5, F-метрический 5×7, F-метрический 6×9, F-метрический 8×10, F-Universalis 4×5, F-Universalis 6×9, M-Line два мф, M-монолит 4×5, M-монолит 5×7, M-монолит 6×9, M-монолит 8×10, misura 4×5, misura 8×10, Rl3d, Rm2d, Rm3d factum, Rm3diБлэкмаджик Кинокамера, кинокамера MFT, микрокамера, микрокамера для студии 4K, карманная кинокамера, карманная кинокамера 4K, карманная кинокамера 6K, карманная кинокамера 6K Pro, производственная камера 4K, студийная камера (4K / HD), студийная камера 4K Plus, студийная камера 4K Pro, URSA (EF / PL / Broadcast), URSA 4. 6K (EF / PL), URSA Broadcast G2, URSA Mini 4K (EF / PL / B4), URSA Mini 4.6K (EF / PL / B4), URSA Mini Pro, URSA Mini Pro 4.6K G2 (EF / PL), URSA Mini Pro 12K Cambo 45REPRO, Actus DB, Actus DB +, Actus DB2, Actus G, Actus GFX, Actus XCD, Actus XL, SC-2 Basic, Ultima 23, Ultima 35, Ultima 45, WDS-350, WDS-REPRO, WRC-400, WRS -600, WRS-1000, WRS-1050, WRS-1200, WRS-1250, WRS-1600, WRS-5000, WRS-7250, WRS-AE, X2-ProCanon EOS 1D, 1D Mark II, 1D Mark IIN, 1D Mark III, 1D Mark IV, 1Ds, 1Ds Mark II, 1Ds Mark III, 1D X, 1D C, 1D X Mark II, 1D X Mark III, 5D, 5D Mark II, 5D Mark III, 5D Mark IV, 5DS, 5DS R, 6D, 6D Mark II, 7D, 7D Mark II, 7D SV, 10D, 20D, 20Da, 30D, 40D, 50D, 60D, 60Da, 70D, 77D, 80D, 90D, 100D, 200D, 250D, 300D, 350D, 400D, 450D, 500D, 550D, 600D, 650D, 700D, 750D, 760D, 800D, 850D, 1000D, 1100D, 1200D, 1300D, 2000D, 4000D, C70, C100, C100 Mark II, C200, C300, C300 PL, C300 Mark II, C300 Mark II PL, C300 Mark III, C500, C500 PL, C500 Mark II, C700, C700 FF, C700 GS, D30, D60, M, M2, M3 , M5, M6, M6 Mark II, M10, M50, M50 Mark II, M100, M200, R, R3, R5, R6, RP, Rebel, Rebel SL1, Rebel SL2, Rebel SL3, Rebel T1i, Rebel T2i, Rebel T3 , Rebel T3i, Rebel T4i, Rebel T5, Rebel T5i, Rebel T6, Rebel T6i, Rebel T6s, Rebel T7, Rebel T7i, Rebel T8i, Rebel XS, Rebel XSi, Rebel XT, Rebel XTi, пленочные камеры EOS, ME20F-SHContax 645, G1, G2, N Digital, N пленочные фотоаппаратыDalsa ПроисхождениеEpson R-D1, R-D1xFujifilm Серия G690, GFX 50R, GFX 50S, GFX 50S II, GFX 100, GFX 100S, GX617, GX680, TX-1, TX-2, X70, X100, X100F, X100S, X100T, X100V, X-A1, X-A2 , X-A3, X-A5, X-A7, X-A10, X-E1, X-E2, X-E2S, X-E3, X-E4, X-h2, X-M1, X-Pro1, X -Pro2, X-Pro3, X-S10, X-T1, X-T1 IR, X-T2, X-T3, X-T4, X-T10, X-T20, X-T30, X-T100, X- Т200HARMAN TiTAN 4×5, TiTAN 8×10Hasselblad 503CW, 503CWD, 907X, h2, h2D, h3, h3D, h3D-39, h3F, h4D-22, h4D-31, h4D-39, h4DII-31, h4DII-39, h4DII-39MS, h4DII-50, h4DII- 50MS, h5D-200MS, h5D-31, h5D-40, h5D-50, h5D-50MS, h5D-60, h5X, H5D-200MS, H5D-40, H5D-50, H5D-50MS, H5D-60, H5D- 50c, H5X, H6D-50c, H6D-100c, H6D-400c MS, H6X, HV, Lunar, V Series, X1D-50c, X1D II 50C, XPan, XPan IIHot Rod 5Д-ПЛ, 7Д-ПЛИконоскоп Кулачок A-Cam dIIKodak DCS Pro 14n, DCS Pro SLR / c, DCS Pro SLR / nLeica CL, CL (пленка), M-монохром, M (тип 240), M Edition 60, M-E (тип 220), M-E (тип 240), M8, M8. 2, M9, M9-P, M10, M10-D, M10-P, M10-R, M10 Monochrom, MP, пленочные камеры серии M, пленочные камеры серии R, R8 с DMR, R9 с DMR, S (тип 006, 007), SE (тип 006), S2, SL (тип 601), SL2, SL2-S, T (тип 701), TL, TL2, X1, X2Linhof Кардан ре, M 679cs, Master Technika 3000, Master Technika classic, Technikardan S 23, Technikardan S 45, Techno, Technorama 612 pc II, Technorama 617s IIIMamiya 645AFD, 645AFD II, 645AFD III, 645DF, 645DF +, 6, 6 MF, 7, 7 Panoramic, 7 II, 7 II Panoramic, DM22, DM28, DM33, DM40, DM56, семейство RB67, RZ22, RZ33, семейство RZ67, RZ80 , ZDNikon AW1, D1, D1H, D1X, D2H, D2Hs, D2X, D2Xs, D3, D3s, D3X, D4, D4s, D5, D6, D40, D40X, D50, D60, D70, D70s, D80, D90, D100, D200, D300, D300s, D500, D600, D610, D700, D750, D780, D800, D800E, D810, D810A, D850, D3000, D3100, D3200, D3300, D3400, D3500, D5000, D5100, D5200, D5300, D5500, D5600 D7000, D7100, D7200, D7500, Df, J1, J2, J3, J4, J5, S1, S2, V1, V2, V3, Z5, Z6, Z6 II, Z7, Z7 II, Z9, Z50, Zfc, Вся пленка камерыOlympus Воздух A01, E-1, E-3, E-5, E-30, E-300, E-330, E-400, E-410, E-420, E-450, E-500, E-510 , E-520, E-600, E-620, OM-D E-M1, OM-D E-M1 Mark II, OM-D E-M1X, OM-D E-M5, OM-D E-M5 II , OM-D E-M5 III, OM-D E-M10, OM-D E-M10 II, OM-D E-M10 III, OM-D E-M10 IIIs, OM-D E-M10 IV, PEN E -P1, PEN E-P2, PEN E-P5, PEN E-P7, PEN E-PL1, PEN E-PL5, PEN E-PL7, PEN E-PL8, PEN E-PL9, PEN E-PL10, PEN- F, E-PM2Panasonic AG-AF100, AG-AF100 PL, DC-BGh2, DC-G9, DC-G90, DC-G95, DC-G100, DC-GF10, DC-GH5, DC-GH5S, DC-GX9, DC-GX850, DC -S1, DC-S1H, DC-S1R, DC-S5, DMC-G1, DMC-G2, DMC-G3, DMC-G5, DMC-G6, DMC-G7, DMC-G10, DMC-G85, DMC-GF1 , DMC-GF2, DMC-GF3, DMC-GF5, DMC-GF6, DMC-GF7, DMC-GF8, DMC-Gh2, DMC-Gh3, DMC-Gh4, DMC-Gh5, DMC-GM1, DMC-GM5, DMC -GX1, DMC-GX7, DMC-GX8, DMC-GX85, DMC-L1, DMC-L10, VariCam 35, VariCam LTPanavision GenesisPentax * ist D, * ist DL, * ist DL2, * ist DS, * ist DS2, 645, 645D, 645N, 645NII, 645Z, 67, 67II, K-01, K-1, K-1 Mark II, K- 3, К-3 II, К-3 Марк III, К-5, К-5 II, К-5 II, К-7, К-30, К-50, К-70, К-500, К-2000 , Kr, K-S1, K-S2, Kx, K10D, K20D, K100D, K100D Super, K110D, K200D, KPPhase One 645AF, 645DF, 645DF +, A2 50, A2 60, A2 80, A3 50, A3 60, A3 80, A3 100, iXA 160, iXA 160 Ахроматический, iXA 180, iXR, iXR 140, iXR 160, iXR 180, XF, XTКРАСНЫЙ DRAGON 6K S35, DRAGON-X 5K S35, EPIC, EPIC DRAGON, EPIC-W, GEMINI 5K S35, HELIUM 8K S35, KOMODO 6K, MONSTRO 8K VV, ONE, RAVEN, SCARLET, SCARLET DRAGON, SCARLET-WRicoh Крепление GXR A12Samsung Galaxy NX, GX-10, GX-1L, GX-1S, GX-20, NX-1, NX-5, NX-10, NX-100, NX-500, NX-1000, NX-1100, NX20, NX210 , NX-2000, NX-30, NX-300, NX-3000Seitz 617 ЦифровойСигма DP0 Quattro, DP1, DP1 Merrill, DP1s, DP1x, DP2, DP2 Merrill, DP2 Quattro, DP2s, DP2x, DP3 Merrill, fp, fp L, SD1, SD1 Merrill, SD10, SD14, SD15, SD9, SD Quattro, SD Quattro HSinar arTec, p2 4×5 дюймов, p2 5×7 дюймов, p2 8×10 дюймов, p3, p3 RV, f1, f2, f3, f3 SL, lanTecSony A1, A7, A7 II, A7 III, A7 IIIA, A7C, A7R, A7R II, A7R III, A7R IV, A7 IVA, A7S, A7S III, A9, A9 II, A33, A55, A99 II, A100, A200, A230, A290, A300, A330, A350, A380, A390, A500, A550, A560, A580, A700, A850, A900, A3000, A5000, A5100, A6000, A6100, A6300, A6400, A6500, A6600, Alpha QX1, DSC -RX1, DSC-RX1R, DSC-RX1R II, F35, F65, NEX-3, NEX-3N, NEX-5, NEX-5N, NEX-5R, NEX-5T, NEX-6, NEX-7, NEX- C3, NEX-F3, SLT-A35, SLT-A37, SLT-A57, SLT-A58, SLT-A65, SLT-A68, SLT-A77, SLT-A77 II, SLT-A99, NEX-FS100, NEX-FS700 , NEX-VG10, PMW-F3, PMW-F5, PMW-F55, PXW-FS7, SRW9000PL, NEX-EA50, NEX-VG20, NEX-VG30, NEX-VG900, ВЕНЕЦИЯ, ВЕНЕЦИЯ 2 6К, ВЕНЕЦИЯ 2 8К, ZV -E10 | АЛЬПА 36×72, 44×66, Linhof 6×7, Linhof 6×9, Mamiya 6×9BetterLight 4000E-HS, 6000-HS, 6000E-HS, Super 10K-HS, Super 6K-2, Super 6K-HS, Super 8K-2, Super 8K-HSEyelike MF, Precision M11, Precision M16, Precision M22, Precision M6, eMotion 22, eMotion 75Fujifilm DBP, DX-2000, GFX 50S, Luma 2Hasselblad CF-22, CF-22MS, CF-39, CF-39MS, CFH-39, CFII-39, CFII-39MS, CFV, CFV II, CFV II 50C, CFV-39, CFV-50, CFV-50c, h5D -31, h5D-40, h5D-50, h5D-50MS, h5D-60, h5D-200MS, H5D-40, H5D-50, H5D-50c, H5D-50MS, H5D-60, H5D-200MS, H6D-50c , H6D-100c, H6D-400c MS, Ixpress CF 132, Ixpress CF 528, Ixpress CFH, X1D-50cImacon FlexFrame 3020, FlexFrame 4040, Ixpress 132C, Ixpress 384C, Ixpress 528C, Ixpress 96, Ixpress 96C, Ixpress V96CKodak DCS Pro BackLeaf AFi 5, AFi 6, AFi 7, AFi-II 10, AFi-II 6, AFi-II 7, Aptus 17, Aptus 22, Aptus 54S, Aptus 65, Aptus 65S, Aptus 75, Aptus 75S, Aptus-II 10, Aptus-II 12, Aptus-II 5, Aptus-II 6, Aptus-II 7, Aptus-II 8, Aptus-II 10R, Aptus-II 12R, CMOST, Cantare, Cantare xy, Valeo 11, Valeo 17, Valeo 17Wi , Valeo 22, Valeo 22Wi, Valeo 6, VolareMamiya Задняя часть DM22, задняя часть DM28, задняя часть DM33, задняя часть DM40, задняя часть DM56, M18, M22, M31, задняя часть ZDMamiya / Leaf Aptus-II 22, Aptus-II 28, Aptus-II 33, Aptus-II 40, Aptus-II 56, Aptus-II 80, Credo 40, Credo 50, Credo 60, Credo 80Megavision S3, S3Pro, S4, S427Первый этап Ахроматический +, h20, h201, h30, h35, H5, IQ1 40, IQ1 50, IQ1 60, IQ1 80, IQ1 100, IQ2 50, IQ2 60, IQ2 60 Ахроматический, IQ2 80, IQ3 50, IQ3 60, IQ3 80, IQ3 100, IQ3 100 Ахроматический, IQ3 100 Трихроматический, IQ4 150, IQ4 150 Ахроматический, IQ4 100 Трихроматический, LightPhase, P20, P20 +, P21, P21 +, P25, P25 +, P30, P30 +, P40 +, P45, P45 +, P65 +Sinar 22, 23, 23HR, 43, 44, 54H, 54S, eMotion 54 LV, eMotion 75, eMotion 75 LV, eSprit 65 LV, eVolution 75 H, eVolution 86 H, S 30 | 45 | 35 мм, 1. 3-кратное кадрирование DSLR, 1,5-кратное кадрирование DSLR, 1,6-кратное кадрирование DSLR, Four Thirds Средний формат: 6×4,5, 6×6, 6×7, 6×9, 6×12, 6×17, 35-мм пленка в 645, 44×33 Digital, 54×40 Digital Большой формат: 2×3 дюйма , 4 x 5 «, 4 x 10», 5 x 7 «, 5 x 8», 8 x 10 «, 3,25 x 4 25» Пакет Polaroid, 6,5 x 8,5 «целая пластина Кино: N16, S16, N35 Academy, N35 + DIN S35, N35 + DIN S35 3perf, DIN S35, S35, S35 3perf, S35 2perf, VistaVision, 65 мм, IMAX, 2/3 «, 1/2», 1/3 « 1.3x, 1.5x и 2x анаморфные адаптеры, используемые на зеркальных фотокамерах в виде универсальных форматов «Ана». | До 20 пользовательских настраиваемых камер. До 20 пользовательских задних панелей. До 20 заданных пользователем фокусных расстояний на виртуальную камеру. | English, Deutsch, Français, 简体 中文 |
Xiaomi Mi 11 Ultra Slow Motion Mode 1920fps Fake?
Xiaomi удивила в этом году телефоном Mi 11 Ultra, который является большим шагом вперед по сравнению с Mi 11, выпущенным ранее в этом году. Огромная разница заключается в размере сенсора, который близок к 1-дюймовому сенсору камеры, как, например, в камерах серии Sony RX. В телефоне есть два 48-мегапиксельных датчика и основной 50-мегапиксельный датчик для основной камеры с сильно выступающим выступом камеры, который действительно требует, чтобы чехол мог хорошо балансировать на плоской поверхности.
Ходят слухи, что режимы замедленной съемки в телефоне являются садовым разнообразием с 120/240 кадрами в секунду 1080p, 60 кадрами в секунду 4k, а также селфи-камерой, которая делает 720p при 120 кадрах в секунду, что становится обычным явлением.Что действительно вызывает у нас интерес, так это режим замедленной съемки 1920 кадров в секунду, который рекламируется в некоторых обзорах. Непонятно, на что способен телефон с точки зрения времени, поскольку спецификации еще не все. Образцы, которые мы видели, демонстрируют потерю деталей и явные признаки интерполяции.
Xiaomi Mi 11 Ultra Slow Motion Характеристики:
- По слухам: 120/240 кадров в секунду 1080p
- По слухам: 960 кадров в секунду HD HD 720p
- По слухам: 480 кадров в секунду HD 720p
- Подтверждено: 1920 кадров в секунду при HD 720p
- Подтверждено: Селфи Передняя камера 720p Характеристики замедленного воспроизведения на этом телефоне, мы можем сделать некоторые выводы на основе датчика, используемого для основной камеры, которым является новый 8,160 × 6,144 (50MP) Samsung Isocell GN2, который имеет высокую частоту кадров 480 кадров в секунду 720p HD, 30 кадров в секунду при 12. 5 МП. Это означает, что датчик на самом деле снимает 480 кадров в секунду в режиме кадрирования HD 720p и интерполирует 4x, чтобы получить окончательное видео с разрешением 1920 кадров в секунду. Вряд ли то, что мы назвали бы хорошей спецификацией. Интерполяция, хоть и чудесна в наши дни, далека от реального захвата событий. Все, что имеет тяжелые детали или загруженный фон, пострадает и вызовет артефакты.
- Разрешение: 50 Mpx
- Датчик: Samsung GN2 Type ISOCELL
- Диафрагма ƒ / 1.95
- Размер пикселя 1,40 мкм
- Размер сенсора1 / 1,12
- Разрешение: 48 Mpx
- Сенсор: Sony IMX586 Exmor RS CMOS типа
- Диафрагма: ƒ / 2.2
- Размер пикселя: 0,80 мкм
- Размер сенсора: 1 / 2,25
- Разрешение: 48 Mpx
- Сенсор: Sony IMX586 Exmor RS CMOS типа
- Диафрагма: ƒ / 2. 2
- Размер пикселя: 0.80 мкм
- Размер сенсора: 1 / 2,25
- Видео 4K
- 8K видео
- Цифровой зум
- Оптический зум
- Тройная камера
- Сверхстабильное видео
- Оптическая стабилизация (OIS)
- Цифровая стабилизация изображения
- Лазерный автофокус (LAF)
- Фазовый автофокус (PDAF)
- Лазер AF
- Ручная фокусировка
- Непрерывный автофокус
- Автофокус
- Сенсорный фокус
- Непрерывная съемка
- Сюжетный режим
- Вспомогательный луч автофокуса
- Настройки ISO
- RAW
- Настройки баланса белого
- Распознавание лиц
- Ночной режим
- HDR
- Панорама
- Геотеги
- Автоспуск
- Набор микросхем: Qualcomm SM8350 Snapdragon 888 (5 нм процесс)
- ЦП: Восьмиядерный (1 × 2,84 ГГц Kryo 680 и 3 × 2,42 ГГц Kryo 680 и 4 × 1,80 ГГц Kryo 680)
- Графический процессор: Adreno 660
- Память: 8 ГБ ОЗУ (12 ГБ ОЗУ для твердотельного накопителя 256 ГБ версия)
- Система камер (тройная):
- 108 МП, f / 1. 9, 26 мм (широкий), 1 / 1,33 ″, 0,8 мкм, PDAF, OIS
- 13 МП, f / 2,4, 123 (сверхширокий), 1 / 3,06 ″, 1,12 мкм
- 5 МП, f / 2,4, ( макрос), 1 / 5,0 ″, 1,12 мкм
Файлы модели: это файлы .h5, которые содержат архитектуру модели Keras и веса ее параметров. Они используются для загрузки (и сохранения) ранее обученной модели, чтобы иметь возможность ее использовать.
Файлы классов модели: это файлы без расширений, которые содержат метки каждого из классов модели DL. Он содержит n строк, где n — количество классов в модели, а строка i содержит метку, соответствующую элементу i вывода модели DL.
Функция предварительной обработки: в этом соглашении функция предварительной обработки — это функция, которая принимает в качестве входных данных путь к изображению и фигуре, загружает изображение из входного пути, преобразует изображение в массив и подгоняет его ко входу. модели.
На видео ниже показан режим 1920 кадров в секунду на Mi 11 Ultra, снимающий газлайтер. Из видеозаписи ясно, что для получения окончательного результата используется интерполяция (мы оцениваем 480p при 4-кратной интерполяции) и что в лучшем случае вы получаете качество ниже 720p с некоторой пикселизацией.Это очень похоже на то, что Huawei делает на своих телефонах, и также в основном основано на интерполяции видео машинного обучения.
Mi 11 Ultra -Global — Полный обзор — Настоящий зверь с камерой! [Xiaomify], автор:
xiaomify:
youtube.com/embed/DrV44WoGiYM?feature=oembed» frameborder=»0″ allow=»accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture» allowfullscreen=»»/>
Mi 11 Ultra — Полная камера + видеообзор! Это что УДИВИТЕЛЬНО ?! [Xiaomify] отxiaomify
Характеристики камеры Mi 11 Ultra:
Стандартный объектив Основная камера:
Широкоугольная камера:
Телеобъектив с камерой:
Элементы изображения:
Понятно, что Mi 11 Ultra — настоящий зверь, но мы просто не можем рекомендовать его для энтузиастов сверхзамедленной съемки. 1920 кадров в секунду было бы здорово, если бы они были настоящими, но они основаны на интерполяции 480p. Эта спецификация обманчива и явно не в той же лиге, что и другие телефоны.
Однако мы можем легко рекомендовать его как универсальный телефон от хорошего до отличного (если вы можете найти его в США, Азии и Индии, наличие подтверждено) с отличным качеством при слабом освещении и деталями благодаря очень большому 1 / 1,2 ″ Датчик Samsung Isocell GN2, который, вероятно, является самым большим датчиком в телефоне. Ничто другое не сравнится с детализацией, которую этот чип может извлечь из сцены.Мы ожидаем, что в будущем этот датчик будет использоваться и в других телефонах, поскольку он явно гигантский.
Мы надеемся вскоре получить больше информации об этом телефоне, а также подробные спецификации и образцы видео. -HSC
(Посещено 2213 раз, 1 посещений сегодня)
Xiaomi представляет режим «Ночное видео» для своего флагманского телефона Mi 11
1 января 2021 года знаменует дату запуска смартфона Xiaomi M11, а вместе с ним и нового управляемого искусственным интеллектом « Ночное видео »выходит на этап мобильной видеозаписи. Давайте посмотрим, что это вообще значит!
Использование смартфона для записи видео не новость, и хотя мне все еще кажется немного странным, это определенно вещь. Что ж, Xiaomi только что выпустила свой новый флагманский телефон M11, и вместе с ним они представляют для него совершенно новую SoC (систему на кристалле): Qualcomm Snapdragon 888. Это последнее поколение высокопроизводительных SoC, и хотя оно уже есть Xiaomi, способная творить сумасшедшие вещи с камерой телефона, не остановилась на достигнутом.
Система камеры Xiaomi Mi11. Изображение предоставлено: XiaomiXiaomi и BlinkAI, режим «Ночное видео»
BlinkAI — американская компания, специализирующаяся на передовых приложениях искусственного интеллекта. Xiaomi объединилась с ними для реализации функции под названием «Ночное видео» в их флагманском смартфоне M11. Как следует из названия, этот режим позволяет записывать высококачественное видео в условиях, близких к темноте.
Замечательно то, что движок ИИ не зависит от какого-то облачного сервиса, но задействует обработку на устройстве, обеспечиваемую Snapdragon 888 SoC. Важная часть здесь называется блоком нейронной обработки .
BlinkAI затем применяет свои алгоритмы машинного обучения в режиме, близком к реальному времени, для улучшения видео, снятого в условиях низкой освещенности, для получения гораздо менее шумного вывода, чем это было бы возможно без обработки.
Видео выше, особенно второе, если честно, выглядят немного грязно, но я думаю, что отчасти это связано с сжатием YouTube, по крайней мере, я на это надеюсь. Если этот режим ночного видео работает с приличным качеством, это просто потрясающе.
Технические характеристики Mi11
Конечно, Xiaomi Mi11, который выступает в качестве хоста этой системы камер, управляемой ИИ, довольно хорошо оборудован с точки зрения исходных характеристик:
Конечно, вся эта мощность необходима для сложной обработки на устройстве, но меня все еще удивляет, что на самом деле упаковано в эти несколько крошечные устройства (хотя Mi11 не не совсем крошечный, я думаю).
Различные стили Mi11. Изображение предоставлено: XiaomiСледует иметь в виду, что вам, скорее всего, понадобится приложение для стандартной камеры Xiaomi, чтобы использовать алгоритмы машинного обучения BlinkAI.Я не думаю, что, по крайней мере, какое-то время, вы сможете использовать его в сторонних приложениях, таких как FiLMiC Pro, например.
Xiaomi Mi 11 еще недоступен в США или ЕС, но вы уже можете получить его в нескольких азиатских розничных магазинах. Цена составляет около 800 долларов (128 ГБ / 8 ГБ ОЗУ).
Ссылки: BlinkAI
Как думаете? Будущее за компьютерным видео или это всего лишь дешевый трюк для поклонников смартфонов? Поделитесь своими мыслями в комментариях ниже!
Тэмми Плотнер, автор в Universe Today
Марафон Мессье — это исчерпывающая попытка астронома наблюдать за всеми 110 объектами Мессье за одну ночь — обычно это происходит в период весеннего равноденствия, когда все объекты можно увидеть между сумерками и рассветом. Наблюдатель начинает с объектов, которые находятся низко к западному горизонту в темноте неба, продолжая движение на восток и заканчивая целями, расположенными низко к востоку незадолго до рассвета. Хотя ни один список последовательностей не может быть идеальным для каждого наблюдателя в любом месте, приведенный ниже список хорошо подходит для средних северных широт и может быть изменен в соответствии с вашими потребностями.
Каждый год астрономические клубы и группы наблюдателей собираются вместе, чтобы провести «Марафон Мессье»… утомительное, но прекрасное время!
Список наблюдателей за марафоном Мессье
!.Спиральная галактика M77 в Кита
2. Спиральная галактика M74 в Рыбах
3. M33 Спиральная галактика Треугольник (также Вертушка) в Треугольнике
4. M31 Спиральная галактика Галактика Андромеды в Андромеде
5. M32 Спутниковая галактика эллиптической галактики M31 в Андромеде
6. M110 Спутниковая галактика эллиптической галактики M31 в Андромеде
7. Рассеянное скопление M52 в Кассиопее
8. Рассеянное скопление M103 в Кассеопее
9. M76 Планетарная туманность Маленький Дамбелл, Корк или Бабочка в Персее
10.Рассеянное скопление M34 в Персее
11. M45 Subaru, рассеянное скопление Плеяд – Семь сестер в Тельце.
12. Шаровое скопление M79 в Lepus
13. M42 Диффузная туманность Большая туманность Ориона в Орионе
14. M43, часть диффузной туманности Ориона (туманность де Майрана) в Орионе
15. Туманность диффузного отражения M78 в Орионе
16. M1 Остаток сверхновой в Крабовидной туманности в Тельце.
17. Рассеянное скопление M35 в Близнецах
18.Рассеянное скопление M37 в Возничего
19. Рассеянное скопление M36 в Возничего
20. Рассеянное скопление М38 в Возничего
21. Рассеянное скопление M41 у Canis Major
22. Рассеянное скопление M93 в Puppis
23. Открытое скопление M47 в Puppis
24. Рассеянное скопление M46 в Puppis
25. Рассеянный кластер M50 в Monoceros
26. Открытый кластер M48 в Hydra
27. M44 Praesepe, открытое скопление «Улей» в Раке
28. Рассеянное скопление M67 в Раке
29.Спиральная галактика M95 во Льве
30. Спиральная галактика M96 в знаке Льва
31. Эллиптическая галактика M105 во Льве
32. Спиральная галактика M65 во Льве
33. Спиральная галактика M66 во Льве
34. M81 Галактика Боде (туманность), спиральная галактика в Большой Медведице
35. M82 Сигарная галактика неправильная галактика в Большой Медведице
36. M97 Планетарная туманность Туманность Сова в Большой Медведице
37. Спиральная галактика M108 в Большой Медведице
38. Спиральная галактика M109 в Большой Медведице
39.M40 Double Star WNC4 в Большой Медведице
40. Спиральная галактика M106 в Canes Venatici
41. Спиральная галактика M94 в Canes Venatici
42. M63 Спиральная галактика Подсолнух в Камышах Венатичи
43. M51 Галактика Водоворот в Камышах Венатичи
44. M101 Спиральная галактика Галактика Вертушка в Большой Медведице (M102 может быть копией M101)
45. M102? Веретенообразная галактика (NGC 5866) линзовидная (S0) галактика в Draco
46. Шаровое скопление M53 в Беренис Кома
47.Спиральная галактика M64 Blackeye в Coma Berenices
48. Шаровое скопление M3 в Canes Venatici
49. Спиральная галактика M98 в коме Береники
50. Спиральная галактика M99 в Беренис Кома
51. Спиральная галактика M100 в Беренис Кома
52. Линзовидная галактика M85 (S0) в Беренической коме
53. Линзовидная галактика M84 (S0) в Деве
54. Линзовидная галактика M86 (S0) в Деве
55. M87 Дева Эллиптическая галактика в Деве
56.Эллиптическая галактика M89 в Деве
57. Спиральная галактика M90 в Деве
58. Спиральная галактика M88 в Беренис Кома
59. Спиральная галактика M91 в коме Береники
60. Спиральная галактика M58 в Деве
61. Эллиптическая галактика M59 в Деве
62. Эллиптическая галактика M60 в Деве
63. Эллиптическая галактика M49 в Деве
64. Спиральная галактика M61 в Деве
65. M104 Спиральная галактика Галактика Сомбреро в Деве
66.Шаровое скопление M68 в Hydra
67. M83 Спиральная галактика Южная Вертушка на Гидре
68. Шаровое скопление M5 в Serpens Caput
.69. Шаровое скопление Большого шарового скопления Геркулеса M13 в Геркулесе
70. Шаровое скопление M92 в Геркулесе
71. M57 Планетарная туманность Кольцевая туманность в лире
72. Шаровое скопление M56 в Лире
73. Открытое скопление M29 в Лебеде
74. Открытое скопление M39 в Лебеде
75.M27 Планетарная туманность Туманность Гантель в Лисичке
76. Шаровое скопление M71 в Стрельце
77. Шаровое скопление M107 в Змееносце
78. Шаровое скопление M10 в Змееносце
79. Шаровое скопление M12 в Змееносце
80. Шаровое скопление M14 в Змееносце
81. Шаровое скопление M9 в Змееносце
82. Шаровое скопление M4 в Скорпионе
83. Шаровое скопление M80 в Скорпионе
84. Шаровое скопление M19 в Змееносце
85.Шаровое скопление M62 в Змееносце
86. M6 Рассеянное скопление бабочек в Скорпионе
87. M7 Скопление Птолемея в Скорпионе
88. Рассеянное скопление M11 The Wild Duck Cluster в Scutum
89. Рассеянное скопление M26 в Scutum
90. Рассеянное скопление M16, связанное с туманностью Орла или туманностью Звездная Королева IC 4703 в Serpens Cauda
.91. M17 Диффузная туманность Омега, Лебедь, Подкова или Лобстер в Стрельце.
92.Рассеянное скопление M18 в Стрельце
93. M24 Млечный Путь — звездное облако с рассеянным скоплением NGC 6603 в Стрельце
94. Открытое скопление M25 в Стрельце
95. Рассеянное скопление M23 в Стрельце
96. Рассеянное скопление M21 в Стрельце
97. M20 Диффузная туманность Трехраздельная туманность в Стрельце
98. M8 Диффузная туманность Лагуна в Стрельце.
99. Шаровое скопление M28 в Стрельце
100. Шаровое скопление M22 в Стрельце
101.Шаровое скопление M69 в Стрельце
102. Шаровое скопление M70 в Стрельце
103. Шаровое скопление M54 в Стрельце
104. 55 шаровое скопление в Стрельце
105. Шаровое скопление M75 в Стрельце
106. Шаровое скопление M15 в Пегасе
107. Шаровое скопление M2 в Водолее
108. Шаровое скопление M72 в Водолее
109. Открытое скопление M73 в Водолее
110. Шаровое скопление M30 в Козероге
Удачи !!
Мессье Плакат любезно предоставлен SEDS.
Приложение компьютерного зрения на основе глубокого обучения с множеством встроенных возможностей, ориентированных на науку о данных
Abstract
В этой статье представлено ориентированное на науку о данных приложение для задач классификации изображений, которое может автоматически: a) собирать изображения, необходимые для обучения. Обучающие (DL) модели с помощью встроенного краулера поисковой системы; б) удалить повторяющиеся изображения; c) сортировать изображения с использованием встроенных предварительно обученных моделей DL или собственной обученной модели DL; г) применять увеличение данных; д) обучить модель классификации DL; е) оценить производительность модели и системы DL с помощью калькулятора точности, а также Точность на потребление (APC), Точность на стоимость энергии (APEC), Время до ближайшего APC (TTCAPC) и Время до ближайшего APEC (TTCAPEC) калькуляторы метрик.Экспериментальные результаты показывают, что предлагаемое приложение компьютерного зрения имеет несколько уникальных функций и преимуществ, которые доказали свою эффективность в отношении времени выполнения и намного проще в использовании по сравнению с аналогичными приложениями.
Ключевые слова: Глубокое обучение, Компьютерное зрение, Сбор данных
Введение
Данные лежат в основе каждого приложения DL. Поскольку жизненный цикл машинного обучения состоит из четырех этапов, таких как управление данными, обучение модели, проверка модели и развертывание модели [1], чтобы собирать, анализировать, интерпретировать и использовать эти данные, e.грамм. обучение точных моделей для реальных сценариев, в последние годы в университетах по всему миру были представлены новые специализации, такие как машинное обучение и наука о данных, и это лишь некоторые из них. Кроме того, недавно были созданы новые карьерные должности, такие как инженер по машинному обучению и специалист по данным, которые являются одними из самых высокооплачиваемых должностей в отрасли [2].
Что касается приложений компьютерного зрения для задач классификации изображений, основным узким местом перед обучением необходимых моделей DL считается сбор данных, который состоит в основном из сбора данных, маркировки данных и улучшения существующих данных для обучения очень точных моделей DL. [3].Еще одно узкое место заключается в том, что, поскольку объем данных, необходимых для обучения модели DL, обычно должен быть очень большого размера, и поскольку большая часть этих важных данных не предоставляется широкой публике, а является собственностью, необходимость в исходном наборе данных для конкретного проекта DL может быть очень важным. Как правило, данные можно получить, а) покупая их на торговых площадках или в таких компаниях, как Quandl [4] и URSA [5]; б) бесплатный поиск на таких платформах, как Kaggle [6]; в) сканирование с интернет-ресурсов с помощью поисковых роботов [7]; г) оплата круглосуточной рабочей силы на Amazon Mechanical Turk [8], как это сделали создатели набора данных ImageNet, чтобы все их изображения были помечены [9]; д) создание его вручную бесплатно (например,грамм. когда пользователь делает все фотографии и маркирует их сам), что в большинстве случаев невозможно из-за малого бюджета, некачественной камеры или временных ограничений. Важность дедупликации изображений можно увидеть в областях компьютерного зрения и DL, где большое количество дубликатов может создать систематические ошибки при оценке модели DL, например, в случае наборов данных CIFAR-10 и CIFAR-100 [10] . Перед обучением модели классификации DL рекомендуется всегда проверять и удостоверяться, что в наборе данных не обнаружены повторяющиеся изображения.Поиск дубликатов изображений вручную может быть очень трудным для человека-пользователя и длительным процессом, поэтому программное решение для выполнения такой задачи имеет решающее значение. Некоторые из недостатков существующих решений заключаются в том, что они обычно требуют от пользователя покупки программного обеспечения для дедупликации образов или ежемесячной оплаты облачного решения, они имеют большой размер или их сложно установить и использовать.
Несмотря на все эти параметры, особенно в случае соскабливания изображений из Интернета, после сохранения они все еще могут быть неорганизованными или иметь более низкое качество, чем ожидалось, при этом изображения необходимо отсортировать в каждой папке соответствующего класса по порядку. для пользователя (например,грамм. специалист по данным), чтобы в дальнейшем иметь возможность анализировать и использовать эти данные для обучения высокопроизводительной модели DL. Такая сортировка может занять огромное количество времени даже для команды, от нескольких дней или недель до даже месяцев [11]. Еще одна сложная задача заключается в том, что после того, как данные будут очищены, организованы и готовы к обучению с нуля или с использованием трансферного обучения, из-за разнообразия архитектур DL, каждая из которых имеет разные размеры и время обучения, необходимое для достижения сходимости [12], это может быть С самого начала очень сложно определить, какая архитектура DL лучше всего подходит для данного набора данных, и в конце обучения приведет к модели DL с высокой точностью.Поскольку потребление энергии в DL стало очень обсуждаемым аспектом в последние месяцы, особенно в связи с изменением климата [13–17], необходимость оценки производительности моделей DL также по их энергопотреблению и стоимости очень важна.
Принимая во внимание эти аспекты, наша работа представляет приложение компьютерного зрения на основе DL, которое имеет несколько уникальных встроенных возможностей, ориентированных на науку о данных, которые дают пользователю возможность обучать модель классификации изображений DL без каких-либо навыков программирования.Он также автоматически ищет изображения в Интернете, сортирует каждое из этих изображений в отдельной папке класса и может удалять повторяющиеся изображения, а также применять увеличение данных очень интуитивно понятным и удобным для пользователя способом. Кроме того, он дает пользователю возможность оценить производительность модели DL и аппаратной платформы, не только принимая во внимание ее точность, но также ее энергопотребление и стоимость, используя экологически безопасные показатели APC, APEC, TTCAPC и TTCAPEC [16].
Работа организована следующим образом.В разд. 2 мы представляем связанные работы. В разделе 3 описывается предлагаемое приложение компьютерного зрения на основе DL. В разделе 4 представлены экспериментальная установка и результаты. Наконец, разд. 5 завершает эту статью.
Связанные работы
Учитывая достижения DL в последние годы, в литературе растет интерес к приложениям компьютерного зрения, например, касающийся автоматической сортировки изображений, как показано авторами в [18]. Авторы предлагают решение под названием ImageX для сортировки большого количества неорганизованных изображений, найденных в одной или нескольких папках, с помощью динамического графа изображений, которое успешно группирует эти изображения на основе их визуального сходства.Они также создали много похожих приложений, например ImageSorter [19], который помимо сортировки изображений на основе их цветового сходства, также может искать, загружать и сортировать изображения из Интернета с помощью встроенной опции поиска изображений Google. Недостатком их приложений является то, что пользователь может визуализировать только похожие изображения, без автоматической очистки и сортировки этих изображений в соответствующей папке класса с высокой точностью. Кроме того, авторы [20] создали приложение под названием Sharkzor, которое объединяет взаимодействие пользователя с DL для сортировки большого количества похожих изображений.Для сравнения, что касается сортировки, их решения только сортируют изображения, группируя их в зависимости от того, насколько они похожи друг на друга после взаимодействия человека и первоначальной сортировки этих изображений, тогда как наше приложение сортирует их автоматически, используя встроенные предварительно обученные модели DL или дает пользователю возможность использовать свои собственные обученные модели DL. Опция на устройстве, которая использует возможности DL и помогает пользователям находить похожие фотографии (например, находить фотографии, которые содержат определенные объекты, такие как цветы, деревья, еда и многое другое), также представлена Apple в своей новейшей версии приложения «Фотографии» [ 21].
Что касается обнаружения повторяющихся изображений, этот метод имеет практическое применение во многих областях, таких как анализ социальных сетей, поиск в масштабе Интернета, а также судебная экспертиза цифровых изображений [22, 23], причем несколько работ в литературе применяют его для обнаружения нарушений авторских прав [24] и выявления мошенничества [25]. Недавно в [26] был выпущен пакет python, который использует алгоритмы хеширования и сверточные нейронные сети (CNN), которые находят точные или почти дубликаты в коллекции изображений под названием Image Deduplicator (Imagededup).В нашем приложении Computer Vision мы используем этот пакет, чтобы предложить пользователю возможность удалить дубликаты изображений из набора данных изображений (например, прямо перед обучением модели DL).
При обучении моделей DL с нуля или с использованием трансферного обучения обычно используются такие фреймворки, как Tensorflow и PyTorch [27], либо локально (например, на персональном ноутбуке или настольном ПК с мощным графическим процессором), либо в облачных сервисах, таких как Cloud AutoML [28, 29], Amazon AWS [30] или Microsoft Azure [31], при этом работа в [32] даже оценивает осуществимость и полезность автоматизированного DL в классификации медицинских изображений, где врачи, не имеющие опыта программирования, все еще могут выполнить такие задачи успешно.Проблема при локальном обучении заключается в том, что пользователю все равно приходится самостоятельно исследовать, какой размер изображения должны иметь для данной архитектуры DL, какую архитектуру DL выбрать для своего набора данных, и необходимо ли применять точную настройку и увеличение изображения. Что касается использования облачных сервисов для обучения модели DL, даже несмотря на то, что они могут решить большинство проблем, упомянутых выше, у них все еще есть некоторые недостатки, такие как то, что на них может влиять задержка, может быть сложно управлять (неудобно для пользователя) и самое главное, они могут быть очень дорогими при тренировках в течение нескольких часов (например,грамм. Cloud AutoML от Google стоит около 20 долларов в час при использовании для задач компьютерного зрения [27]).
Работа, аналогичная нашей, представлена авторами в [33], где они создали инструмент Image ATM (Automated Tagging Machine), который автоматизирует конвейер обучения модели классификации изображений (предварительная обработка, обучение с настройкой модели, оценкой и развертыванием). . Что касается предварительной обработки, инструмент Image ATM просто изменяет размер изображений в соответствии с входной формой модели. Для обучения он использует трансферное обучение с предварительно обученными CNN от Keras, сначала обучая последний плотный слой, а затем всю сеть.Для оценки он вычисляет матрицу неточностей и другие показатели. Несколько недостатков Image ATM: инструмент ориентирован на людей со знаниями программирования (разработчиков) и ориентирован в основном на функцию обучения. Кроме того, чтобы использовать инструмент Image ATM, пользователь должен взять на себя работу по подготовке данных в определенной структуре папок, например пользователь должен создать файл .yml с некоторыми из требуемых параметров, путем к изображениям и пути назначения. Пользователь также должен создать файл .json, содержащий классификацию каждого изображения.Некоторые преимущества Image ATM заключаются в том, что инструмент предлагает возможность облачного обучения, имеет доступ к большему количеству моделей (хотя все они обучаются с одним и тем же набором данных) и что ошибки оценки могут быть визуализированы. По сравнению с Image ATM, наше приложение Computer Vision имеет несколько преимуществ, таких как то, что оно доступно большему количеству людей и предлагает больше функций, таких как очистка и сортировка изображений в Интернете, дедупликация, калькуляторы точности, а также для APC, APEC, Метрики TTCAPC и TTCAPEC, все в удобном графическом интерфейсе пользователя (GUI).
Предлагаемое приложение компьютерного зрения на основе глубокого обучения
Предлагаемое приложение компьютерного зрения на основе DL показано на рис. И построено с использованием языка программирования Python. Он состоит из наиболее общих функций, необходимых в области компьютерного зрения, и упрощает их в форме графического интерфейса пользователя, не требуя от пользователя каких-либо знаний о кодировании или DL, чтобы иметь возможность полностью использовать его.
Обобщенный вид предлагаемого приложения компьютерного зрения, которое включает в себя такие функции, как автоматический поиск изображений и сортировщик изображений с помощью классификации на основе логических выводов, дедупликацию изображений, тренажер моделей DL с возможностями увеличения данных, а также калькуляторы точности, APC, APEC, TTCAPC и TTCAPEC.
Что касается системы, то зависимости компиляции и требования к установке предлагаемого приложения: Python 3, Windows 10 (или более поздняя версия) или Linux (Ubuntu 12 или более поздняя версия). Что касается библиотек Python, мы используем PyQt5 для создания графического интерфейса пользователя, HDF5 для загрузки файлов модели DL, Tensorflow для обучения и вывода, OpenCV для обработки изображений, Numpy для обработки данных, Shutil для копирования изображений в системе, TQDM для отображения хода выполнения терминала. bar, Imagededup [26] для дедупликации образов, Icrawler для сканирования образов и fman build system (fbs) для создания установщиков.
Существуют определенные соглашения, которые являются общими для всех функций предлагаемого приложения:
Структуры папок изображений: мы используем две разные структуры папок: неклассифицированные структуры и секретные структуры. Структура папок неклассифицированных изображений является самой простой и состоит из одной папки, содержащей изображения, предположительно подлежащие классификации или дедупликации.Структура папок классифицированных изображений состоит из папки, которая, в свою очередь, содержит подпапки. Каждая подпапка представляет класс изображений, названа так же, как метка для этого класса, и содержит изображения, помеченные или классифицированные как принадлежащие этому классу.
Далее мы представим все встроенные функции: автоматический поисковый робот с помощью классификации логических выводов, дедупликация изображений, сортировщик изображений с помощью классификации логических выводов, тренажер моделей DL с возможностями увеличения данных, калькулятор точности, а также APC и APEC [ 16] калькуляторы.
Image Crawler с помощью классификации вывода
Цель этой функции — собрать изображения, связанные с ключевым словом (представляющим класс) из Интернета, и с помощью алгоритма классификации убедиться, что изображения действительно принадлежат к этому классу . Во время процесса вывода, необходимого для очистки изображений, в фоновом режиме происходит предварительная обработка, которая, в зависимости от выбранной предварительно обученной или настраиваемой модели DL, изменяет размер изображений, придавая им правильную форму ввода (например,грамм. 28 × 28 × 1 для MNIST и 224 × 224 × 3 для ImageNet) для модели DL.
Обобщенный вид реализованной функции Image Crawler можно увидеть на рис. И состоит из следующих элементов: «Модель» — поле со списком, содержащее все существующие предварительно обученные встроенные модели DL, такие как «mnist» или «resnet50». », А также опция« Custom », которая дает пользователю возможность загрузить свою собственную предварительно обученную модель DL; Ползунок уверенности («Требуется уверенность») — ползунок для выбора минимального значения точности, которое будет использоваться при классификации изображений и которое колеблется от 0 до 99; Селектор классов изображений («Выбрать класс изображений») — поле со списком, содержащее метки всех классов из предварительно обученной встроенной выбранной модели DL (например,грамм. 10 классов при выборе модели «mnist» и 1000 классов при выборе модели «resnet50»). Кроме того, это поле также содержит функцию автозаполнения поиска; Количество изображений («Максимальное количество для получения») — ползунок для выбора количества изображений, которые следует сканировать из Интернета, в диапазоне от 1 до 999 и «Целевая папка» — браузер для выбора пути к окончательному расположению полученные изображения.
Обобщенный вид предлагаемой функции Image Crawler с помощью классификации вывода.
Параметры в разделе «Конфигурация пользовательской модели» применяются только в том случае, если выбранная модель DL — «Пользовательская» и не встроена в предлагаемое приложение компьютерного зрения, например когда его обучил сам пользователь. Это следующие параметры: «Файл модели» — браузер для выбора файла .h5, который пользователь желает использовать для вывода, и классы моделей — браузер для выбора файла без расширений, содержащего имя каждого выходного класса, для которого выбрана модель DL (. h5) был обучен на. Наконец, в графическом интерфейсе этой функции есть кнопка («Добавить изображения!»), С помощью которой начинается процесс сканирования в Интернете.
С помощью этой функции изображения автоматически просматриваются поисковым роботом и загружаются во временную папку. После этого каждое изображение классифицируется по выбранной модели DL, и если классификация совпадает с выбранным классом и степень достоверности выше выбранного порогового значения, изображение перемещается в «Целевую папку», где каждое изображение будет сохранено в собственная папка класса.
Эта функция автоматизирует заполнение наборов данных классификации изображений, обеспечивая надежный способ подтверждения того, что загруженные изображения чистые и правильно организованы.
Дедупликация изображений
Эта функция предназначена для удаления повторяющихся изображений, найденных в определенной папке. Для этого мы использовали методы Imagededup, найденные в [26]. Обобщенный вид реализованной функции дедупликации изображений можно увидеть на рис. И состоит из следующих элементов: «Папка изображений» — браузер для выбора местоположения папки, содержащей изображения, которые необходимо проанализировать на предмет дублирования изображений; «Целевая папка» — браузер для выбора местоположения папки, в которой будут храниться дедуплицированные изображения; «Папка дубликатов» — браузер для выбора местоположения папки, в которой будут храниться найденные дубликаты изображений.
Обобщенный вид предлагаемой функции дедупликации изображений.
Каждый найденный дубликат изображения будет сохранен во вложенной папке. Что касается дополнительных настроек, он состоит из: Селектора метода хеширования («Выберите метод хеширования») — поля со списком, содержащего 4 метода хеширования, которые можно использовать для дедупликации (Перцепционное хеширование (по умолчанию), разностное хеширование, вейвлет-хеширование и среднее хеширование. ), а также «Порог максимального расстояния» — максимальное расстояние, на котором два изображения будут считаться одинаковыми (значение по умолчанию — 10).Наконец, в этом интерфейсе есть кнопка («Дедупликация!»), Которая запускает процесс дедупликации в соответствии с выбранными параметрами.
Далее мы кратко опишем типы хэшей, которые мы используем в функции дедупликации изображений: a) Средний хэш: алгоритм среднего хеша сначала преобразует входное изображение в оттенки серого, а затем уменьшает его. В нашем случае, поскольку мы хотим сгенерировать 64-битный хеш, изображение уменьшено. Затем вычисляется среднее всех значений серого изображения, а затем пиксели исследуются один за другим слева направо.Если значение серого больше среднего, к хешу добавляется значение 1, в противном случае значение 0; b) разностный хэш: Подобно алгоритму среднего хеширования, алгоритм разностного хеширования первоначально генерирует изображение в градациях серого из входного изображения. Здесь из каждой строки пиксели исследуются последовательно слева направо и сравниваются со своим соседом справа, в результате чего получается хэш; c) Перцепционный хэш: После масштабирования серого он применяет дискретное косинусное преобразование к строкам, а также к столбцам.Затем мы вычисляем медиану значений серого на этом изображении и генерируем, аналогично алгоритму медианного хеширования, хеш-значение из изображения; d) Вейвлет-хэш: Аналогично алгоритму среднего хеширования алгоритм вейвлет-хеширования также генерирует изображение со значениями серого. Затем к изображению применяется двумерное вейвлет-преобразование. В нашем случае мы используем вейвлет-функцию по умолчанию, называемую вейвлетом Хаара. Затем каждый пиксель сравнивается со средним значением и вычисляется хэш.
Что касается этой функции дедупликации, сначала хешер генерирует хеши для каждого из изображений, найденных в папке изображений.Затем с помощью этих хешей вычисляются расстояния между хешами (изображениями), и если они ниже максимального порогового значения расстояния (например, 10), то они считаются дубликатами. Во-вторых, для каждой группы дубликатов первое изображение выбирается как «исходное», а в папке дубликатов создается папка с именем «исходной» папки. Затем все дубликаты этого изображения сохраняются в этой папке.
Эта функция успешно интегрирует технику дедупликации изображений [26] и обеспечивает простой и быстрый способ ее использования.
Сортировщик изображений с помощью классификации вывода
Эта функция помогает пользователю сортировать несортированный массив изображений, используя модели DL. Обобщенный вид реализованной функции сортировщика изображений с помощью логической классификации можно увидеть на рис. откуда и где нужно сортировать изображения.
Обобщенный вид предлагаемой функции сортировщика изображений с помощью классификации вывода.
В целевой папке создается новая папка для каждого возможного класса с именем, извлеченным из файла без расширений, который содержит все имена классов, плюс папка с именем «Undetermined». Затем каждое изображение из «Папки изображений» автоматически предварительно обрабатывается, подается в качестве входных данных для выбранной модели DL и сохраняется в соответствующей папке класса. Наивысшее значение из выходных данных определяет предсказанный класс изображения: если это значение меньше минимального значения «Требуется достоверность», то изображение будет скопировано и помещено в папку «Неопределено», в противном случае изображение будет скопировано в папку, соответствующую классу наивысшего значения из вывода.Мы приняли решение копировать файлы вместо их перемещения из соображений безопасности данных и резервного копирования.
Эта функция значительно сокращает время, необходимое для сортировки неклассифицированного набора данных изображений, не только выполняя это автоматически, но и устраняя необходимость настраивать среды кодирования или даже писать одну строку кода.
Тренажер моделей с возможностями дополнения данных
Эта функция предоставляет пользователю простой графический интерфейс для выбора различных параметров для обучения и сохранения модели классификатора изображений DL.Обобщенный вид реализованной функции тренера моделей DL с помощью классификации на основе логических выводов можно увидеть на рисунке. Он состоит из следующих элементов: «Модель» — как описано ранее для функции Image Crawler; «Папка с сортированными изображениями» — браузер для выбора папки, которая содержит классифицированную структуру папок с изображениями для обучения; «Количество обучающих пакетов» — целочисленный ввод, чтобы указать количество обучаемых пакетов, и «Размер пакетов» — целочисленный ввод, чтобы указать количество изображений в пакете.Что касается настраиваемых параметров, они такие же, как упоминалось ранее в отношении функции Image Crawler.
Обобщенный вид предлагаемой функции тренера моделей DL.
Далее, в этом интерфейсе есть кнопка («Модель обучения»), при нажатии на которую пользователь может открыть новое окно, чтобы он мог визуализировать в очень удобной для пользователя форме все преобразования изображения, которые могут быть применены к обучающий набор данных случайным образом во время обучения. Точнее, как видно на рис., Пользователь может ввести следующие параметры для увеличения данных: Horizontal Flip — если этот флажок установлен, увеличение будет случайным образом переворачивать изображения по горизонтали или нет; Вертикальное отражение — если этот флажок установлен, увеличение будет случайным образом переворачивать изображения по горизонтали или нет; Максимальный сдвиг ширины — ползунок (%), максимальный процент (значение от 0 до 100) ширины изображения, при котором оно может быть сдвинуто влево или вправо; Максимальный сдвиг высоты — ползунок (%), максимальный процент (значение от 0 до 100) высоты изображения, при котором оно может быть сдвинуто вверх или вниз; Максимальный сдвиг угла — ползунок (градусы °), максимальное количество градусов (значение от 0 до 90), на которое изображение может быть повернуто, и максимальный сдвиг сдвига — ползунок (%), максимальное значение сдвига (значение от 0 до 100) для изображения. стрижка.Функция увеличения данных позволяет пользователю визуализировать максимально возможные изменения, которые могут быть внесены в изображение в режиме реального времени, без необходимости угадывать правильные параметры.
Обобщенный вид предлагаемой функции увеличения данных.
Далее определяется обучающий генератор с выбранными параметрами; Генератор случайным образом берет изображения из структуры папок и заполняет пакеты выбранного размера на количество выбранных пакетов. Эти партии выдаются по мере их создания.
Что касается обучения, сначала загружается выбранная модель DL, ее выходной слой удаляется, предыдущие слои замораживаются и добавляется новый выходной слой с размером количества классов в структуре папок. Затем модель компилируется с оптимизатором Adam и категориальной кросс-энтропией в качестве функции потерь. Наконец, генератор подается на устанавливаемую модель. После завершения обучения пользователю отображается общее время обучения, и в запрошенном месте ввода создается файл модели (.h5).
Эта функция обеспечивает возможность обучения пользовательской модели DL на пользовательских классах, просто разделяя изображения в разных папках. Знания о DL не требуются, и эта функция позже может быть легко использована функцией сортировки изображений, описанной ранее, для сортировки будущих новых несортированных изображений.
Калькулятор точности
Этот раздел графического интерфейса приложения дает пользователю возможность вычислить точность модели DL для данного набора данных в структуре папок классифицированных изображений.Обобщенный вид реализованной функции «Калькулятор точности» можно увидеть на рис. 4 и состоит из следующих элементов: «Модель» — как описано ранее для функции Image Crawler; «Папка с тестовыми изображениями» — браузер для выбора папки, содержащей структуру классифицированных папок, для измерения точности модели классификации DL; «Размер пакетов» — целочисленный ввод, чтобы указать количество изображений в пакете. Пользовательские параметры такие же, как упоминалось ранее в отношении функции Image Crawler.Наконец, в этом интерфейсе есть кнопка («Рассчитать точность»), которая запускает процесс оценки точности.
Обобщенный вид предлагаемой функции калькулятора точности.
После загрузки модели DL и списка классов он ищет классы как имена вложенных папок в структуре папок классифицированных изображений. Затем для каждого класса (или подпапки) он создает пакеты выбранного размера, передает их в модель DL и подсчитывает количество точных результатов, а также количество изображений.На основе этих результатов он вычисляет общую точность модели DL и показывает ее пользователю непосредственно в графическом интерфейсе приложения. Эта функция обеспечивает простой и интуитивно понятный графический интерфейс для измерения точности любой модели классификации изображений DL.
Калькулятор точности на потребление (APC)
Эта функция графического интерфейса использует нашу метрику APC [16] и представляет собой функцию, которая учитывает не только точность системы ( согласно ), но и энергопотребление. система ( c ).Показатель APC можно увидеть в формуле. (1) ниже:
1
, где c обозначает потребление энергии системой и измеряется в ватт / час (Втч), а acc обозначает точность; — параметр функции, значение по умолчанию — 0,1; — это параметр (диапазон от 0 до бесконечности), который контролирует влияние потребления на конечный результат: более высокие значения будут сильнее снижать значение показателя, относящегося к потреблению. Значение по умолчанию — 1.
Графический интерфейс приложения дает пользователю возможность определять значения для α и β, а также определять и рассчитывать точность и энергопотребление модели DL с использованием приведенного выше метрического уравнения APC.
Обобщенный вид реализованной функции калькулятора APC можно увидеть на рис. И состоит из следующих элементов: «Точность теста модели (%)» — этот виджет дает пользователю возможность ввести точность или использовать ранее описанные Функция «Калькулятор точности» для измерения точности модели DL и «Энергопотребление (Втч)» — ввод с плавающей запятой для определения энергопотребления модели DL пользователя.
Обобщенный вид предлагаемой функции калькулятора APC.
Что касается дополнительных опций, у него есть: Alpha () — ввод с плавающей запятой для указания желаемого значения (по умолчанию 0,2) и бета) — ввод с плавающей запятой для указания желаемого значения (по умолчанию 1). Для простоты представлена таблица со следующими столбцами: Точность, Энергопотребление, Альфа, Бета и APC. Всякий раз, когда значение изменяется, таблица также автоматически обновляется. Наконец, в графическом интерфейсе приложения есть кнопка («Рассчитать APC»), чтобы начать вычисление метрики APC.Сама функция является Numpy реализацией нашей ранее определенной метрики APC [16], показанной в формуле. (1) и принимает в качестве входных параметров значения, определенные в графическом интерфейсе приложения.
Реализованная функция предоставляет эту новую метрику APC любому пользователю, позволяя ему легко рассчитывать точность на потребление и знать производительность своей модели DL в отношении не только точности, но и воздействия, которое она оказывает на окружающую среду (выше потребление энергии = более сильное негативное воздействие на природу).Однако недостатком текущей версии этой функции калькулятора APC в предлагаемом графическом интерфейсе приложения является то, что пользователь должен вручную измерять энергопотребление системы. Мы планируем реализовать автоматическое считывание показаний энергопотребления в будущих обновлениях (например, с помощью инструмента PTDaemon Standard Performance Evaluation Corporation (SPEC) [34, 35], который также планируется использовать для измерения мощности с помощью теста MLPerf Benchmark в их будущих версиях). обновление середины 2020 г.).
Калькулятор точности расчета стоимости энергии (APEC)
Этот показатель представляет собой функцию, которая учитывает не только точность системы ( согласно ), но также и стоимость энергии системы ( c ).Метрику APEC можно увидеть в формуле. (2) ниже:
2
, где c обозначает стоимость энергии системы и измеряется в евроцентах за вывод, а acc обозначает точность.
— параметр функции, значение по умолчанию — 0,1; — это параметр (в диапазоне от 0 до бесконечности), который контролирует влияние стоимости на конечный результат: более высокие значения будут сильнее снижать значение метрики относительно стоимости. Значение по умолчанию — 1.
Функция APEC представлена на рис. И позволяет пользователю определять значения и, определять или вычислять точность модели DL, указывать энергопотребление и стоимость Wh DL, а также рассчитывать APEC с использованием формула, приведенная ранее в (2).
Обобщенный вид предлагаемой функции калькулятора APEC.
Функция APEC предлагаемого приложения компьютерного зрения состоит из следующих элементов: «Точность тестирования модели (%)» — работает аналогично виджету APC, описанному ранее; «Энергопотребление (Втч)» — работает аналогично виджету APC, описанному ранее, и «Стоимость ватт-часа» — ввод с плавающей запятой для указания стоимости в евроцентах за Втч.Что касается дополнительных опций, у нас есть: Alpha () — ввод с плавающей запятой, чтобы указать желаемое значение (по умолчанию 0,2), и Beta — ввод с плавающей запятой, чтобы указать желаемое значение (по умолчанию 1). Аналогичная таблица, аналогичная той, что используется для калькулятора APC, также показана здесь со следующими столбцами: Точность, Стоимость энергии, Альфа, Бета и APEC. Всякий раз, когда значение изменяется, таблица также автоматически обновляется.
Наконец, в графическом интерфейсе приложения есть кнопка («Рассчитать APEC»), чтобы начать вычисление метрики APEC.
Сама функция является реализацией на Numpy нашей ранее определенной метрики APEC [16], представленной в формуле. (2) и принимает в качестве входных параметров значения, определенные в графическом интерфейсе приложения. Реализованная функция предоставляет эту новую метрику APEC любому пользователю, позволяя ему легко рассчитывать точность в расчете на стоимость энергии и оценивать производительность своей модели DL с точки зрения воздействия, которое она оказывает на окружающую среду (более высокое потребление энергии = более высокая стоимость = отрицательное воздействие на природе). Однако недостатком текущей версии этой функции калькулятора APEC является то, что пользователь должен измерять энергопотребление системы и рассчитывать ее стоимость в часах вручную.
Калькулятор времени до ближайшего APC (TTCAPC)
Целью метрики TTAPC [16] является интуитивно понятное объединение времени обучения и метрики вывода APC. Функция TTCAPC представлена на рис. И состоит из следующих элементов: «Точность испытания модели (%)» и «Потребление энергии (Втч)», которые работают аналогично виджету APEC, описанному ранее; «Дельта точности» — ввод с плавающей запятой для определения степени детализации оси точности; «Energy Delta» — плавающее значение, чтобы указать степень детализации оси энергии.Что касается дополнительных опций, они такие же, как и те, что были представлены ранее в отношении функции APEC.
Обобщенный вид предлагаемой функции калькулятора TTCAPC.
Здесь также показана таблица, аналогичная таблице для калькулятора APEC, со следующими столбцами: Точность, Потребление энергии, Альфа, Бета, Дельта точности, Дельта энергии, Округленная точность, Округленная энергия, Время обучения и Ближайший APC. Всякий раз, когда значение изменяется, таблица также автоматически обновляется.
Наконец, в графическом интерфейсе приложения есть кнопка («Рассчитать TTCAPC»), чтобы начать вычисление метрики TTCAPC.
Калькулятор времени до ближайшего APEC (TTCAPEC)
Цель метрики TTCAPEC [16] — объединить время обучения и метрику вывода APEC. Функция TTCAPEC представлена на рис. И состоит из тех же элементов, что и функция TTCAPC, представленная ранее, и одного дополнительного элемента, называемого «Стоимость энергии (евроценты за Вт-ч)», который аналогичен представленному ранее в отношении калькулятора показателей APEC и где пользователь может указать стоимость в евроцентах за Втч.
Обобщенный вид предлагаемой функции калькулятора TTCAPEC.
Аналогичная таблица, аналогичная таблице для калькулятора TTCAPC, также показана здесь со следующими столбцами: Точность, Стоимость энергии, Альфа, Бета, Дельта точности, Дельта энергии, Округленная точность, Округленная энергия, Время обучения и Ближайший APEC. Наконец, в графическом интерфейсе приложения есть кнопка («Рассчитать TTCAPEC»), чтобы начать вычисление метрики TTCAPEC.
Экспериментальная установка и результаты
Далее мы покажем экспериментальные результаты, касающиеся всех реализованных функций, в сравнении с существующими альтернативами, найденными в литературе и промышленности.
Мы проводим наши эксперименты на настольном ПК со следующей конфигурацией: со стороны оборудования мы используем процессор Intel (R) Core (TM) i7-7800X @ 3,50 ГГц, 6 ядер, 12 логических процессоров. с 32 ГБ оперативной памяти и Nvidia GTX 1080 Ti в качестве графического процессора; со стороны программного обеспечения мы используем Microsoft Windows 10 Pro в качестве операционной системы с CUDA 9.0, CuDNN 7.6.0 и Tensorflow 1.10.0 с использованием фреймворка Keras 2.2.4.
Image Crawler
Как видно из таблицы, предлагаемая нами функция Image Crawler превосходит существующие решения и улучшает их.Несмотря на то, что сканирование заняло такое же количество времени, это не относится к части очистки, где, поскольку эта функция недоступна ни в одном из существующих решений, это нужно было сделать вручную и потребовало 47 секунд для папки, содержащей 97 изображений по сравнению с 10 секундами для предлагаемого нами решения, при котором задача выполнялась автоматически.
Таблица 1.
Сравнение существующего и предлагаемого решения для сканирования изображений.