使用 Google AutoML Vision 分类进行增量学习
Incremental learning with Google AutoML Vision classification
我想使用 Google AutoML vision API 进行图像 class 化，但使用 增量学习 设置 - 更具体地说，我应该能够逐步提供带有可能全新（和以前未知的）class 标签的新训练数据。例如，假设我今天为三个标签训练网络：A、B 和 C。现在，一周后，我想添加一些标有全新 class D 的新数据。又过了一周，我想添加标有全新 class E 的更新数据。此时，该模型应该能够 class 将输入图像转化为这五个 class 中的任何一个，每次向模型中添加增量都会导致很少的精度下降。
google AutoML vision API 有可能吗？
目前，您可以继续将新数据导入现有的 AutoML 数据集，每周训练一个新模型。有导入 API 和训练 API.
造成非常小的精度下降的假设可能是不现实的。添加新标签可能会导致准确性下降，这可能是有效的情况。例如。添加难以与以前的标签区分的标签或添加标签而不执行数据清理（添加标签但不将其应用于可见具有此标签的对象的现有图像）。
我想使用 Google AutoML vision API 进行图像 class 化，但使用 增量学习 设置 - 更具体地说，我应该能够逐步提供带有可能全新（和以前未知的）class 标签的新训练数据。例如，假设我今天为三个标签训练网络：A、B 和 C。现在，一周后，我想添加一些标有全新 class D 的新数据。又过了一周，我想添加标有全新 class E 的更新数据。此时，该模型应该能够 class 将输入图像转化为这五个 class 中的任何一个，每次向模型中添加增量都会导致很少的精度下降。
google AutoML vision API 有可能吗？
目前，您可以继续将新数据导入现有的 AutoML 数据集，每周训练一个新模型。有导入 API 和训练 API.
造成非常小的精度下降的假设可能是不现实的。添加新标签可能会导致准确性下降，这可能是有效的情况。例如。添加难以与以前的标签区分的标签或添加标签而不执行数据清理（添加标签但不将其应用于可见具有此标签的对象的现有图像）。