ZD 尋找花中君子－蘭花種類辨識
學習
Python虛擬環境建置
由於實驗途中會經常使用到Python，並分別使用不同的套件，所以我們採用了Pyenv-win配合virtualenv來輔助我們。Pyenv-win可以在一台電腦中安裝多種Python的環境，並透過CMD中輸入指令即可切換所需的Python版本，切換到我們所需的版本之後，便可再透過安裝virtualenv的Python套件實現虛擬環境的功能，讓我們可以不用顧慮會影響到主要的環境，因為虛擬環境是跟外界隔離的，只要直接將虛擬環境刪除便可重新建置環境，相當方便。
CNN
卷積神經網路(Convolutional Neural Network，簡稱CNN)是深度學習的一個神經網路架構，由輸入層(Input Layer)、一個或多個卷積層(Convolution Layer)、池化層(Pooling Layer)以及頂部的全連接層(Fully Connected Layer)所組成。在影像處理方面的效果很好，與傳統的人工神經網路相比更有效率也減少了參數的使用。下圖為CNN的始祖Model => LeNet的模型架構。
YOLO
YOLO是一個物體識別模型（Object Detection Model）。物體識別是電腦視覺中比較簡單的任務，用來在一張圖片中找到某些特定的物體，物體識別不僅要求我們識別這些物體的種類，同時要求我們標出這些物體的位置。以下是YOLO的架構。
而YOLOv4-tiny則是縮減了卷積層的數量，在犧牲一些精確度的同時讓模型的size及訓練時間大幅度的縮小。以下是我們實際用YOLOv4-tiny訓練出來的模型所辨識的圖片。
GAN
GAN(生成對抗網路)是非監督式學習方式的一種，主要由兩個網路構成，分別是鑑別網路（Discriminating Network）與生成網路（Generative Network），透過兩者相互對抗產生學習的運作原理。
Generator是根據輸入的圖像數據去生成目標；而Discriminator是當Generator生成照片時，透過這個網路對生成的照片做評分或者驗證品質。因此在訓練的過程中Generator 會不斷想辦法"騙過" Discriminator。而Discriminator 會努力的去判別，辨別出此圖像是真實圖片還是由Generator所生成的，藉由這種對抗方式讓雙方不斷的進步成長，且只有Discriminator能得知真實圖像數據；Generator無法得知。因此，Generator才能產出沒有看過的圖片！
在模型訓練上往往需要大量的數據集，且利用人工標註和收集數據成本過高，因此利用GAN達到擴增數據資料同時降低成本。除了生成圖像之外，還可以利用GAN達到: 圖像轉換(白天換黑夜、圖片變油畫…) 、特徵更改(面部表情、性別、馬變斑馬、眼鏡配戴) 、圖像修復(修復圖像回初始狀態) 、生成3D圖像…… 不同的功能。
在這次比賽中，主辦方提供的訓練集各類別僅10張，但測試集卻達到8萬多張，對於AI訓練來說，學習越多的東西，越可以成功的預測與應變各種不同的狀況與問題，少量的資料量或變化性不大的資料，對訓練後的AI模型會不足以面對所有不同的狀況與問題。因此我們使用GAN來擴增資料集，這次我們使用StyleGAN2來幫助我們生成數據。
原圖
利用StyleGAN2所產生的圖片