24. Herkenning van Soorten met Model 5 (Voorjaar 2020) in iNaturalist (TensorFlow 2)

Op dit moment is Inaturalist al weer bezig met de zesde versie van het Computer Kijk (Computer Vision) model
waarbij in September 2020 18 miljoen fotos apart gezet zijn waarme zo'n 35.000 soorten wereld wijd herkend kunnen worden.
De aanpak is het zelfde als voor model 5 alleen met veel meer fotos omdat er nu veel meer soorten in iNaturalist
2000 fotos heeft. In het verleden werden wel meer dan 2000 fotos per soort gebruikt maar de extra rekenkracht weegt niet op tegen het succes.
In totaal zal het doorrekenen van het model 210 dagen kosten en in het voorjaar van 2021 klaar zijn.
Naast het doorrekenen van hetzelfde model met meer fotos en meer soorten wordt tgelijkertijd het huidige systeem vergeleken
met "TensorFlow 2, Xception vs Inception" wat waarschijnlijk ditzelfde model niet in 210 dagen maar in 60 dagen doorrekend.
Als dit nieuwe TensorFlow 2, Xception vs Inception goed werkt dan wordt het zelfs nog winter 2021 een nieuwe model opgeleverd.
Om dit door rekenen was een nieuwe hardware besteld maar door COVID is dit nog niet geinstalleerd.
In het huidige model zijn 25.000 van de 300.000 soorten die waargenomen zijn in iNaturalist.
https://www.inaturalist.org/blog/42626-we-passed-300-000-species-observed-on-inaturalist#comments

Hoe wordt nu bepaald of een soort opgenomen wordt in het model ?
Als van een soort 100 waarnemingen met foto waarvan er minsten 50 een Research Grade community ID heeft wordt opgenomen in de training. (actually, that’s really verifiable + would-be-verifiable-if-not-captive, In het model worden ook ontsnapte en gekweekte soorten opgenomen). Voor de training wordt dus niet alleen en uitsluitend Research Grade fotos gebruikt.

18. Beeldherkenning bij iNaturalist en Wildcamera's Citizen Science Snapshot

Waarneming.nl

  1. December 2017 Photos van Voor 2017
  2. December 2019 Photos van Voor 2018
  3. December 2020 Photos van Voor 2019
  4. December 2020 Photos van Voor 2020
  5. Okt-Dec 2021 Photos van Voor 2021
  6. July 2021 Photos van Voor 2019

This time around we went from 38,000 to 47,000 taxa, and from 21 million to 25 million training photos.

Globaal waren de oude versies:

  1. May 2017 Model 1 2-20 photos per species
  2. Aug 2017 Model 2 40 photos per species
  3. Jan 2018 Model 3 40 photographers per species
  4. Feb 2019 Model 4
  5. Sep 2019 Model 5 <1000 photos per species/li>
  6. Mar-Jul2020 Model 6, Tensor Flow2 25,000 taxa
    Mar 2020 Model 6 March 2020 model did and it had ~21000 species and ~2500 genera.
    https://www.inaturalist.org/blog/31806-a-new-vision-model

  7. Mar-Jul 2021 Model 7, Tensor Flow2, 25,000 taxa +25.000 leaves , 21milj training photos , 1 NVIDIA RTX 8000 GPU, with hybrids (up from 38,000)
    https://www.inaturalist.org/posts/54236-new-computer-vision-model

  8. Oct-Dec2021 Model 8, Tensor Flow2, 47.00 taxa +25.000 leaves, 25milj training photos , 3NVIDIA RTX 8000 GPU, 4 times Memory, Label smoothing, without hybrids
  9. April 2022 Model 9
    https://www.inaturalist.org/blog/63931-the-latest-computer-vision-model-updates

  10. Aug 2022 Model 10.0.1 includes 60,000)
    https://www.inaturalist.org/blog/69193-new-computer-vision-model

  11. Sept 2022 Model 10.0.2 (+5000 species, includes 65,000 taxa (up from 60,000)
    https://docs.google.com/spreadsheets/d/12bfPG8idJbWpCO0Semw26fnH8hCOI_TDbTRSdPNXe1U/edit#gid=959153103

Training


Training Set 1


In deze groep zitten geidentificeerde met
  1. De waarneming heeft een Taxon of een Genus, Familie toegewezen
  2. De waarneming heeft geen flags
  3. De waarneming heeft alle quality metrics gehaald behalve het toegestasnde wild / naturalized, dit zijn items die genoemd worden in de DQA, Quality Assesment

Validation Set 1

Met deze groep fotos wordt tijdens de training de voortgang van de training bekeken, een Toets of Examen dat het trainingmodel moet afleggen. De eisen aan deze validatieset zijn hetzelfde als van de Training Set 1 maar het is maar 5% van het aantal fotos.

TestSet 1

Met deze groep fotos wordt als de training is afgelopen gekeken of het model goed werkt. Het betreft uitsluitend
fotos met een Community taxon, dus fotos die waarschijnlijk wel goed moeten zijn omdat meerdere personen een determinatie toegeveogd hebben aan de waarneming.
Het bijzondere is dus dat aan de training ook minder zekere fotos mee mogen doen terwijl het testen tegen absoluut zekere waarnemingen gedaan wordt.
Zie ook https://forum.inaturalist.org/t/identification-quality-on-inaturalist/7507
Om te voorkomen dat er te veel soorten zijn waarvan er te weinig fotos zijn worden er niet te veel beperkingen aan de fotos gesteld. In de toekomst worden de eisen misschien strenger

  1. Fotos van Nieuwe gebruikers
  2. CID'd obs, waarnemingen met alleen een Communyt ID's
  3. vision-based ID
  4. Gebruik geen fotos van IDs by users with X maverick IDs

Het computer is niet te downloaden maar misschien dat er later nog een API komt. Training your own with https://www.kaggle.com/c/inaturalist-challenge-at-fgvc-2017

Croppen van fotos, Volgorde, Best Photo First

Al hoewel het op iNaturalist neit vaak gezegd wordt is het Croppen van een foto een goede methode om betere resultaten te krijgen.
Het model neemt ook geografische data nog niet echt mee. In het verleden werden enorme aantallen Californische soorten voorgesteld maar in de loop van de modellen is dat wel afgenomen.

Best Photo First
Het is naast croppen erg verstandig om je beste foto het eerste neer te zetten omdat het model alleen de eerste foto van de waarneming gebruikt om een voorstel voor de soort te doen.
De locatie, nauwkeurigheid van een foto die je neemt buiten de iNat app om is meestasl minder nauwkeurig dan wanner je de interne app gebruikt van iNat. Ook kun je dan inzoomen met je vingers spread out, zodat je de crop functionaliteit niet hoeft te gebruiken. Het model gebruikt niet het tijd van het seizoen (eikels en kastanjes in de herfst, Trekvogels in voorjaar en herfst. Geen zomervogels als gierzwaluw in de winter en verspreidinggegevens van soorten.. ALpenroosjes worden niet tot de ALpen beperkt.

In 2017 the amount of recognised species was 20.000 and now it is still.....20.000?

https://www.inaturalist.org/pages/help#cv-taxa
FWIW, there's also discussion and some additional charts at https://forum.inaturalist.org/t/psst-new-vision-model-released/10854/11
https://forum.inaturalist.org/t/identification-quality-on-inaturalist/7507
https://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/
https://www.inaturalist.org/posts/31806-a-new-vision-model#activity_comment_5763380

Neural Networks (specifically, VGG16) pre-trained on the ImageNet dataset with Python and the Keras deep learning library.

The pre-trained networks inside of Keras are capable of recognizing 1,000 different object categories, similar to objects we encounter in our day-to-day lives with high accuracy.

Back then, the pre-trained ImageNet models were separate from the core Keras library, requiring us to clone a free-standing GitHub repo and then manually copy the code into our projects.

This solution worked well enough; however, since my original blog post was published, the pre-trained networks (VGG16, VGG19, ResNet50, Inception V3, and Xception) have been fully integrated into the Keras core (no need to clone down a separate repo anymore) — these implementations can be found inside the applications sub-module.

Because of this, I’ve decided to create a new, updated tutorial that demonstrates how to utilize these state-of-the-art networks in your own classification projects.

Specifically, we’ll create a special Python script that can load any of these networks using either a TensorFlow or Theano backend, and then classify your own custom input images.

To learn more about classifying images with VGGNet, ResNet, Inception, and Xception, just keep reading.

= = = = = = = = = = = = = = = = =
: https://www.youtube.com/watch?v=xfbabznYFV0

https://towardsdatascience.com/xception-from-scratch-using-tensorflow-even-better-than-inception-940fb231ced9

Xception: Implementing from scratch using Tensorflow
Even better than Inception
Convolutional Neural Networks (CNN) have come a long way, from the LeNet-style, AlexNet, VGG models, which used simple stacks of convolutional layers for feature extraction and max-pooling layers for spatial sub-sampling, stacked one after the other, to Inception and ResNet networks which use skip connections and multiple convolutional and max-pooling blocks in each layer. Since its introduction, one of the best networks in computer vision has been the Inception network. The Inception model uses a stack of modules, each module containing a bunch of feature extractors, which allow them to learn richer representations with fewer parameters.
Xception paper — https://arxiv.org/abs/1610.02357

= = = = = = = = = = = = = = = = = = = = =
https://towardsdatascience.com/review-xception-with-depthwise-separable-convolution-better-than-inception-v3-image-dc967dd42568
Inthis story, Xception [1] by Google, stands for Extreme version of Inception, is reviewed. With a modified depthwise separable convolution, it is even better than Inception-v3 2 for both ImageNet ILSVRC and JFT datasets. Though it is a 2017 CVPR paper which was just published last year, it’s already had more than 300 citations when I was writing this story. (Sik-Ho Tsang @ Medium)

= = = = = = = = = = = = = = = = = = = = = = = = = = = =
https://laptrinhx.com/xception-from-scratch-using-tensorflow-even-better-than-inception-212761016/
Convolutional Neural Networks (CNN) have come a long way, from the LeNet-style, AlexNet, VGG models, which used simple stacks of convolutional layers for feature extraction and max-pooling layers for spatial sub-sampling, stacked one after the other, to Inception and ResNet networks which use skip connections and multiple convolutional and max-pooling blocks in each layer. Since its introduction, one of the best networks in computer vision has been the Inception network. The Inception model uses a stack of modules, each module containing a bunch of feature extractors, which allow them to learn richer representations with fewer parameters.

Xception paper — https://arxiv.org/abs/1610.02357
Herkenning van Soorten met Model 5 (Voorjaar 2020) in iNaturalist (TensorFlow 2, (24))
: https://www.youtube.com/watch?v=xfbabznYFV0
https://www.inaturalist.org/posts/59122-new-vision-model-training-started

Publicado el martes, 03 de noviembre de 2020 a las 08:50 PM por ahospers ahospers

Comentarios

Anotado por ahospers hace mas de 3 años

Hoe de apps tot hun oordeel komen, blijft in mysterieuze nevelen gehuld. De algoritmes zijn ‘getraind’ met eerder gedetermineerde foto’s en hebben zichzelf geleerd hoe soorten te herkennen. Ze letten niet op dezelfde kenmerken als een vogelaar. Waarop ze dan wel letten, weten we niet. ‘Het algoritme baseert zijn oordeel op een general impression of size and shape’, zegt Hannes Ledegen (Natuurpunt), die de Obsidentify-app mee ontwikkelde. ‘De app zet een foto om in een soort negatiefbeeld. Dat bestandje van een paar kilobyte gaat naar een centrale server, waar een algoritme het vergelijkt met minimaal tien tot wel vijfduizend beelden per soort. De eerste tien foto’s zijn telkens door specialisten geselecteerd. Ze bevatten alle typische kenmerken. De overige beelden zijn opgeladen door de gebruikers van waarnemingen.be en waarneming.nl.’

oor de gelegenheid ben ik op stap met de nieuwe Digital Guide van de Oostenrijkse optiekfabrikant Swarovski. Met die verrekijker kan je ook foto’s nemen, die de kijker automatisch doorstuurt naar je smartphone. De eveneens aan Cornell University ontwikkelde Merlin-app identificeert vervolgens de soort. De nieuwe Obsidentify-app van Natuurpunt kan hetzelfde.

Merlin eBird

In beide gevallen vergelijkt een algoritme de foto met beelden in een databank. Voor Merlin zijn dat de meldingen van het burgerwetenschapsproject eBird. Obsidentify maakt dan weer gebruik van ruim 20 miljoen foto’s die zijn doorgegeven door de gebruikers van de waarnemingensites waarnemingen.be en waarneming.nl.

Cornell Lab BirdNet Spectrogram van zangvogel Merlin Ebird

Op mijn smartphone verschijnt in de Birdnet-app een spectrogram, dat de frequentie van de zang doorheen de tijd weergeeft. Een druk op de knop en een neuraal netwerk vergelijkt het patroon met bijna duizend soorten uit Europa en Noord-Amerika. Op basis van je locatie selecteert de app van het New Yorkse Cornell Lab of Ornithology en de Technische Universität in het Duitse Chemnitz de waarschijnlijkste soort. Heggenmus, is de conclusie. We kijken naar de jury: Spanoghe knikt.

https://www.eoswetenschap.eu/technologie/computer-zegt-heggenmus-detectie-apps-presteren-wonderbaarlijk-goed-en-verrassend

Anotado por ahospers hace mas de 3 años

https://tweakers.net/pricewatch/723719/nvidia-quadro-gp100/nieuws/
https://versus.com/nl/nvidia-quadro-gp100-vs-pny-quadro-rtx-8000
https://versus.com/nl/nvidia-quadro-gp100-vs-pny-quadro-rtx-8000
https://technical.city/en/video/Quadro-GP100-vs-Quadro-RTX-8000
https://www.inaturalist.org/posts/59122-new-vision-model-training-started early experiments, three GPUs seem to train about twice as fast as a single GPU in flat-out training speed. We also have a new computer vision server to house these GPUs, which has 4x the RAM, a hugely faster CPU, and really fast disks (at this scale, reading photos from disk and writing data back to disk is a limiting factor).

This training run is starting with the last checkpoint from the previous training run, rather than starting from the standard ImageNet weights like we did for the previou

Anotado por ahospers hace mas de 3 años

Añade un comentario

Entra o Regístrate para añadir comentarios