我的图像识别用具非常具有挑战性。我想检测混合回收的成分，例如压碎的罐头，纸张，瓶子，并检测任何异常情况，如玻璃，袋子，鞋子等。
使用google vision api尝试图像的结果主要是＆＃34;垃圾＆＃34;，＆＃34;回收＆＃34; ＆＃34;塑料＆＃34;可能是因为api还没有接受像这样的混合和破碎材料的培训？
对于类似这样的事情，我是否需要寻找张力流并从我自己的图像构建神经网络？我想我不需要使用谷歌这个因为张量流是开源的吗？
感谢。
答案 0 :(得分：2)
所以一般来说，当你将机器学习应用到一个新的，真实世界的用例时，最好把手放在有代表性的数据集上，在你的情况下，这将是这些垃圾材料的图像。
然后你可以选择一个合适的检测模型（VGG，Inception，ResNet），修改最终的分类图层，根据需要输出尽可能多的类别标签（可能是正常的＆＃39;或＆＃39;异常＆＃ 39;在你的情况下，所以有两个类。）
然后你加载这个网络的预训练权重，因为学习的功能概括（google＆＃39;转移学习＆＃39;），随机初始化你修改的分类图层，然后训练最后一层，也许训练最后两层，或最后三层（取决于什么效果最好，你有多少数据，概括）等。
简而言之： 1.选择一个预训练的模型。 2.根据您的问题修改它。 3.在您自己的数据集上调整权重。