Paramètres d’outil : Training

Ouvre la boîte de dialogue Set de training. Celle-ci permet de spécifier les ensembles (sets) d’échantillons et le pourcentage d’images étiquetées à sélectionner aléatoirement comme exemples de training pour le réseau neuronal à chaque exécution d’un nouveau training.

Spécifie le nombre d’itérations d’optimisation réalisées durant le training. Ce paramètre peut être diminué si votre application est d’une complexité limitée, ou si un modèle de moindre qualité peut être utile pour tester différents paramètres.

Une itération désigne le passage complet de votre Set de training dans le réseau neuronal.

L’Outil de lecture Bleu présente un paramètre beaucoup plus fiable (10), car son réseau a déjà été bien entraîné sur différents ensembles de caractères. Cependant, pour les autres outils, vous disposez, au début, d’un réseau non initialisé. Ces outils doivent donc analyser un set d’images de training environ 50 fois (disponible dans les réglages fins). Il s’agit de la valeur par défaut, généralement suffisante pour la plupart des applications standards.

Utiliser un nombre inférieur d’itérations risque d’entraîner un blocage du réseau neuronal lors de l’apprentissage (training), ou l’incapacité de résoudre le problème avec précision, alors qu’un nombre trop élevé d’itérations peut entraîner un « surapprentissage » des résultats (le logiciel apprend uniquement les images du training et considère comme invalides toutes les autres). Il est important d’entraîner le réseau jusqu’à ce qu’il soit une généralisation de votre set d’images de training. Si vous augmentez les itérations, vous courez le risque de surapprentissage des données du set d’images de training.

Spécifie la capacité du modèle à prendre en compte différents degrés de complexité visuelle. Pour les modèles très simples, il convient d’utiliser valeur Capacité plus faible pour éviter le surapprentissage. Pour les images ou les objets complexes, une valeur de Capacité plus élevée doit être utilisée pour éviter un sous-apprentissage.

Spécifie le nombre d’apprentissages (training) itératifs à réaliser pour résoudre des problèmes statistiques complexes, qui présentent une distribution très inégale entre images et/ou différentes zones d’une image. Ce paramètre permet de guider l’outil vers les endroits de la vue où il existe une certaine complexité. Cela est utile lorsque la vue contient plusieurs surfaces structurées distinctes. L’algorithme ignorera ainsi les zones de faible complexité (par exemple, les fonds blancs sans détails) et se concentrera sur les zones de plus grande complexité (par exemple, les lignes et autres détails fins).