- Taipei, Taiwan
- Taipei, Taiwan
-
-
Python | OpenCV 模型評估與測試
📚 前言 在上一篇 模型使用與推論 的章節導覽中，我們了解了推論流程的整體架構。 這一篇進入第一個細節： 模型評估與測試 (Model Evaluation & Testing) 。 訓練結束後，你最常看到的應該是程式印出的 Val Accuracy （驗證正確率）和...
-
Python | OpenCV 模型使用與推論
📚 前言 在上一篇 GPU 加速與效能優化 中，我們完成了模型訓練與調優的所有技巧。 接下來要進入一個非常重要的階段 —— 模型使用與推論 (Model Inference) 。 訓練好的模型不能只放在資料夾裡，它需要： 被好好評估 ：知道模型到底好不好、哪裡還...
-
Python | OpenCV GPU 加速與效能優化
📚 前言 在上一篇 避免過擬合 中，我們學會了讓模型訓練更穩定的技巧。 這一篇介紹 GPU 加速與效能優化 ，讓訓練速度大幅提升。 使用 GPU 訓練比 CPU 快數十倍，對於大型資料集或深層模型而言幾乎是必要的。 但 GPU 環境的設定也是新手最常卡關的環節，這一篇將完整說...
-
Python | OpenCV 避免過擬合
📚 前言 在上一篇 資料增強 中，我們學會了透過增強訓練資料來提升泛化能力。 這一篇介紹另一個關鍵主題： 避免過擬合 (Overfitting) 。 資料增強是「讓模型看更多種類的圖片」，而這一篇的方法是「限制模型過度記憶訓練資料」。兩者都是提升泛化能力的手段，但切入角度不同，...
-
Python | OpenCV 資料增強
📚 前言 在上一篇 TensorFlow/Keras 微調範例 中，我們完成了兩階段微調的完整流程。 這一篇深入介紹 資料增強 (Data Augmentation) 的原理與各種常用技巧。 前兩篇的訓練腳本中已經各自用了少量資料增強： PyTorch 微調範例...
-
Python | OpenCV TensorFlow/Keras 微調範例
📚 前言 在上一篇 PyTorch 微調範例 中，我們完成了 PyTorch 的微調實作。 這一篇改用 TensorFlow/Keras 微調 MobileNetV2，學習另一個主流框架的實作方式。 TensorFlow/Keras 提供了高階 API，並建議分 兩階段 訓...
-
Python | OpenCV PyTorch 微調範例
📚 前言 在上一篇 遷移學習與微調原理 中，我們了解了 Feature Extraction、Fine-Tuning、Full Training 三種策略，以及如何根據資料量做選擇。 這一篇進入實作，完整示範如何用 PyTorch 將 ResNet18 以 Feature...
-
Python | OpenCV 遷移學習與微調原理
📚 前言 在上一篇 模型選擇與訓練 的章節導覽中，我們了解了整體訓練流程。 這一篇先從最根本的問題開始： 深度學習模型到底長什麼樣子？它是怎麼運作的？ 只有先搞清楚模型的結構與運作原理，才能理解「遷移學習」到底在做什麼，以及為什麼這樣做。 🧠 深度學習模型長什麼樣？...
-
Python | OpenCV 模型選擇與訓練
📚 前言 在上一篇 資料標註 中，我們完成了訓練資料的標註工作。 接下來要進入整個電腦視覺專案中最核心的環節： 模型選擇與訓練 。 如果你是第一次接觸深度學習訓練，看到「遷移學習」、「微調」、「epoch」這些詞彙可能會一頭霧水。 這篇文章的目的就是幫你建立一個清楚的全局觀，在...
-
Python | OpenCV 資料集整理與驗證
📚 前言 在上一篇 LabelImg 標註工具實戰 中，我們完成了圖片的標註。 標註完成後，還需要將資料整理成模型訓練所需的目錄結構，並切分訓練集與驗證集，最後用程式確認標註是否正確。 ✂️ 訓練集與驗證集切分 標註完成後，需要將資料分為訓練集與驗證集。有兩種做法： ...