NIA-suggestie van de dag

Gestart door RutgerB, augustus 14, 2021, 16:17:33 PM

Vorige topic - Volgende topic

frkvh

not all those who wonder or wander are lost

RutgerB

CiteerNIA beeldherkenning voorspelt Zwaluwtong - Fallopia convolvulus met 98.1% zekerheid.


Martijn van Sluijs

NIA beeldherkenning is het met je determinatie eens: Hommelorchis - Ophrys holosericea (99.7%)!

Vriendelijke groeten,
Martijn

RutgerB

Citaat van: Martijn van Sluijs op september 09, 2022, 17:34:19 PM
NIA beeldherkenning is het met je determinatie eens: Hommelorchis - Ophrys holosericea (99.7%)!
Heel apart..

Dit vond ik ook wel grappig. Dat iemand dan ook nog serieus op doorsturen drukt..

CiteerNIA beeldherkenning voorspelt Toorts spec. - Verbascum spec. met 90.9% zekerheid.


tekenaar

Paul Veenvliet
dieren en planten tekeningen: https://paulveenvliet.art/

Martijn van Sluijs

Een mooie bos bloemen ter ere van van de 10.000e waarneming die ik heb afgekeurd:

NIA beeldherkenning is helaas niet zeker: de eerste voorspelling Grote klaproos - Papaver rhoeas (25.0%). Probeer de foto bij te snijden.
Vriendelijke groeten,
Martijn

RutgerB

Deze siernetel is al eens vaker langsgekomen, maar hij viel nu op door het onwaarschijnlijke hoge percentage voor een andere plant

CiteerNIA beeldherkenning voorspelt Tuinkaasjeskruid - Malva sylvestris (cultivar) met 99.6% zekerheid.


frkvh

Taxus, automatisch goedgekeurd (= apenboom)
not all those who wonder or wander are lost

RutgerB

Inmiddels hebben we een mooie collectie afgewezen Apenbomen zag ik ..

Ik kwam deze (waarneming uit mei) net tegen:

CiteerNIA beeldherkenning voorspelt Grote kroosvaren - Azolla filiculoides met 97.2% zekerheid.


RutgerB

Wat aparte (hoog percentage) vergissing bij deze Haagwinde:

CiteerNIA beeldherkenning voorspelt Pijlkruid - Sagittaria sagittifolia met 96.5% zekerheid.


RutgerB

Dit is ook een vreemde. Duidelijk een Echte salie.

Gelukkig dat ik al die autokeuringen naloop...

CiteerNIA beeldherkenning voorspelt Melganzenvoet - Chenopodium album met 99.2% zekerheid.


Datura

Citaat van: RutgerB op oktober 01, 2022, 12:37:31 PM
Wat aparte (hoog percentage) vergissing bij deze Haagwinde:

CiteerNIA beeldherkenning voorspelt Pijlkruid - Sagittaria sagittifolia met 96.5% zekerheid.



Mogelijk veroorzaakte door de 'mistigheid' van de foto die wel iets van een spiegelend wateroppervlak heeft denk ik.
Natuurlijke groeten van
Kim Lotterman

Crossbill guides

RutgerB

En de dennennaalden kunnen dan Mannagras zijn.  ;D

Ik heb al eens eerder geschreven; als je je ogen bijna dichtknijpt (of helemaal dicht doet) kun je je inderdaad wel voorstellen waarom deze lachwekkende vergissingen worden gemaakt. B)

Ook off-season herkenningen vind ik om te lachen. Zoals deze voorjaarsbloeier in oktober :

CiteerNIA beeldherkenning is het met je determinatie eens: Grote sneeuwroem - Scilla forbesii (88.2%)!




RutgerB

CiteerNIA beeldherkenning voorspelt Wilde kardinaalsmuts - Euonymus europaeus met 99.8% zekerheid.


RutgerB

Door NIA / systeem goedgekeurde Europese hanenpoot


RutgerB

#315
Wel moet gezegd worden dat die goedgekeurde vergissingen zeldzaam zijn.

Met lagere percentages gelijkenis (en dus geen automatische keuring) is het nog steeds een keur aan vreemde benamingen

Deze bijvoorbeeld:

CiteerNIA beeldherkenning is het met je determinatie eens: Muurnavel - Umbilicus rupestris (45.5%)!



Foto van de zwammetjes is al weer verwijderd..

robbe p

NIA beeldherkenning is het met je determinatie eens: Roze vetkruid - Phedimus spurius (99.2%)!


RutgerB

Apart wel. Ik zou denken 99,9999% een Maarts viooltje  :lol:

Dit zijn ook 'heerlijke' vergissingen.

CiteerNIA beeldherkenning is helaas niet zeker: de eerste voorspelling Weymouthden - Pinus strobus (20.7%). Probeer de foto bij te snijden.

Ingevoerd als Fijn vedergras. Waarschijnlijk keuze 2 met <20,7% herkenning.


RutgerB

CiteerNIA beeldherkenning is het met je determinatie eens: Slangenlook - Allium scorodoprasum (80.6%)!


RutgerB

CiteerNIA beeldherkenning is het met je determinatie eens: Krabbenscheer - Stratiotes aloides (25.0%)!


RutgerB

CiteerNIA beeldherkenning is het met je determinatie eens: Gesteeld glaskroos - Elatine hexandra (16.6%)!


RutgerB

Ingevoerd als Krabbenscheer met Obsidentify

Nia had een betere 1e suggestie:

CiteerNIA beeldherkenning is helaas niet zeker: de eerste voorspelling Buxusmot - Cydalima perspectalis (25.0%). Probeer de foto bij te snijden.


Datura

Wilde hem vast invoeren als 'Scheerheg'  :rolleye:
Natuurlijke groeten van
Kim Lotterman

Crossbill guides

robbe p

NIA beeldherkenning is het met je determinatie eens: Jeneverbes - Juniperus communis (92.8%)!

Haarmos


Andre321

#324
Ik kon mijn berichten van gister niet meer editten, is dat nieuw ? In elk geval zou je met een paar fotos bovenstaande soorten er weer uit kunnen halen. Dat zou mijn keuze zijn...
CiteerOmdat de beschikbare hoeveelheid trainingsdata
per klasse niet altijd vooraf bekend was, bleken
er na training van een model vaak scheve
verhoudingen in de hoeveelheden trainingsdata per
klasse te zijn. Sommige klassen hadden maar één
of twee afbeeldingen, anderen veel meer. Dit heeft
invloed op de werking van het model. Minimaal
twee afbeeldingen per klasse is een vereiste, maar
minimaal tien of vijftig (of zelfs meer) is meestal
beter voor de werking van het model. Om die reden
konden achteraf klassen uit het model vallen als er
onvoldoende afbeeldingen van die specifieke soort
of dat type object beschikbaar waren. Bij een model
dat werkt op minimaal tien afbeeldingen (examples)
per klasse gebeurt dat - logischerwijs - eerder dan
bij een minimum van twee afbeeldingen per klasse.
Extra trainingsdata genereren
In dit project hebben we gebruik gemaakt van al
beschikbare afbeeldingen van objecten uit de
collecties van de betrokken partners om modellen
te trainen. Ter aanvulling zijn ook specifiek voor
het project gedetermineerde specimens uit
verschillende collecties gedigitaliseerd. Daartoe
werden speciale instructies opgesteld voor
het digitaliseringsteam van Naturalis, om te
beantwoorden aan de specifieke toepassing in het
trainen van de herkenningsmodellen. Het voor het
project gegenereerde beeldmateriaal komt aan
de orde bij de ontwikkeling van de betreffende
modellen.
3. Data opschonen en uniformeren

Minimaal twee afbeeldingen per klasse is een vereiste

Matthijs Molenaar

Citaat van: Andre321 op november 07, 2022, 15:26:33 PMIk kon mijn berichten van gister niet meer editten, is dat nieuw ?

Lukt wel hoor. Bijvoorbeeld met 'Snel bewerken', rechtsonderin je bericht
Met vriendelijke groet,
Matthijs Molenaar.

Levenslijst Waarneming.nl

When nothing goes right, go left (Martha Cecilia)

frkvh

Misschien ligt het aan mij, maar ik begrijp niks van dat bericht  :rolleye:  :rolleyes:  :P
not all those who wonder or wander are lost

hiskodevries

Citaat van: frkvh op november 07, 2022, 18:58:50 PMMisschien ligt het aan mij, maar ik begrijp niks van dat bericht  :rolleye:  :rolleyes:  :P
We kennen maar heel weinig mensen die de berichten van Andre H kunnen doorgronden. Daar is helaas geen vertaalfunctie voor
Was getekend Hisko de Vries.

Wil je een fotovraag stellen op het forum lees dan dit eerst https://forum.waarneming.nl/smf/index.php?topic=452369.0

marcel234

Het is wel precies wat ik nodig had:
Minimaal twee afbeeldingen per klasse is een vereisteEr is een afbeelding nodig voor het model en een afbeelding om het model te testen.

Andre321

Precies. Model wordt getraind op een server bij Naturalis met 10 grafische kaarten dus dat moet lekker snel gaan. Bij ... hebben ze maar 1 grafische kaart dus dat gaat zeker tien keer zo langzaam

Precies. Model wordt getraind op een server bij Naturalis met 10 grafische kaarten dus dat moet lekker snel gaan. Bij ... hebben ze maar 1 grafische kaart dus dat gaat zeker tien keer zo langzaam



Citaat van: Andre321 op november 10, 2022, 19:23:31 PMTrainingsdata
● Hoe meer beelden per klasse hoe beter (tot een paar duizend)
...mits verschillende beelden
● Absolute minimum is 2 per klasse: split training & validatie
● Gebalanceerd: ideaal als iedere klasse ongeveer even groot is
...liefst meer data (vaak moeilijk), anders trucs als upsamplin


 1.5M gelabelde afbeeldingen van observaties (v1)