Высокий клиренс автомобилей – таблица сравнения различных моделей + Видео » АвтоНоватор
Многие дороги России и стран СНГ оставляют желать много лучшего, что обязывает при выборе машины обращать внимание на ее клиренс. Если нет второго авто для передвижения по бездорожью, то предпочтение отдается модели с высоким дорожным просветом.
Клиренс – где он и какой бывает?
Клиренс или, по-другому, дорожный просвет – это расстояние между самой низкой частью или узлом автомобиля и опорной поверхностью (ровной дорогой). Чем он больше, тем выше проходимость автомобиля и меньше вероятность повредить какой-нибудь узел, расположенный внизу, или бампер при движении по «убитой» дороге либо при экстремальной парковке (например, у высокого бордюра или с переездом через него) и в других случаях. С моделями отечественного автопрома еще более-менее все понятно – в общих чертах известны их возможности по преодолению дорожных препятствий. Но ездить на них не очень хочется и когда есть возможность приобрести более надежное и комфортное транспортное средство (иномарку), то возникает вопрос – а как у них «с этим»? Многообразие выбора моделей ставит в тупик.
Общих стандартов для этой величины не существует, однако есть усредненные значения для легковых авто и для внедорожников. У первой группы машин это, как правило, расстояние от дорожного покрытия до переднего бампера, а у второй – до защиты двигателя или до заднего моста:
- у легковых 12–20 см;
- у внедорожников 18–35 см.
Ниже приведена сравнительная таблица различных марок и моделей автомобилей. По ней можно сравнить клиренс легковых машин и внедорожников.
Автомобили с высоким клиренсом
Все высокие авто в зависимости от размеров и стоимости можно условно разделить на следующие категории:
- Маленькие хетчбеки, оснащенные «пакетом для плохих дорог» и имеющие сравнительно небольшую стоимость.
- Популярные кроссоверы, которые, как правило, имеют более удобный и просторный салон, но стоят немного дороже.
- Многочисленные «паркетники», у большей части из которых есть полный привод, а цена довольно высока.
- Джипы, оснащенные как полным приводом, так и понижающими передачами, обычно имеющие мотор большого объема, весьма солидные размеры и высокую стоимость.
Представители первых двух категорий больше всего соответствуют такому определению как «высокий автомобиль», так как в них разработчики обычно не закладывают способность передвигаться по бездорожью.
Поэтому цена на такие машины меньше и пользуются они наибольшим спросом. В то же время, вторые группы условно выделены из общего ряда легковых автомобилей в категорию внедорожников.
Среди «высоких автомобилей» на дорогах всех уголков мира чаще всего встречаются и являются лидерами продаж машины B-класса. Ниже приведена таблица популярных автомобилей класса B, расположенных по увеличению клиренса снизу вверх. По ней можно сравнить эту характеристику для различных моделей и разных производителей.
Как увеличить клиренс автомобиля
Самый беспроигрышный и одновременно безопасный вариант – поход на авторынок или в автосалон и выбор автомобиля с большим клиренсом. О безопасности речь идет не случайно. Малый дорожный просвет дает машине низкое расположение центра тяжести, а значит, и более высокую устойчивость, а также лучшую аэродинамику. Кроме того, на больших скоростях устойчивость сильно зависит от аэродинамики. При проектировании производителем автомобиля с определенным дорожным просветом его конструкция была оптимально разработана с учетом этих параметров и их взаимосвязи из расчета безопасного управления им.
Изменяя тем или иным способом клиренс, в эти характеристики вносят корректировки, которые могут привести к критическим значениям устойчивости при определенных штатных условиях эксплуатации данного автомобиля и повлечь его опрокидывание. Например, если машина была рассчитана на движение с максимальным поперечным углом наклона 15о при эксплуатации на своих колесах с стандартными дисками и шинами, то после увеличения диаметра последних в тех же условиях может произойти ее опрокидывание. А конструктивные изменения подвески могут привести к еще более печальным последствиям во время движения на скорости по трассе, так как могут послужить причиной частичного или полного разрушения ее элементов и последующей неминуемой аварии. Поэтому при изменении клиренса надо помнить о возможных негативных последствиях и подходить к этому вопросу осторожно и взвешенно.
Существуют следующие способы увеличения клиренса:
- Установка диска и/или шин другого диаметра – выигрыш в несколько сантиметров (обычно 1–2 см), если параллельно не вносить конструктивных изменений в подвеску. Может привести к погрешностям в работе спидометра и других приборов.
- Установка более высоких стоек, усиленных пружин, подкладывание под пружины различных вставок или прокладок.
- Конструктивные – переделка элементов подвески, замена ее узлов на детали от других машин.
Мнение эксперта
Руслан Константинов
Эксперт по автомобильной тематике. Окончил ИжГТУ имени М.Т. Калашникова по специальности «Эксплуатация транспортно-технологических машин и комплексов». Опыт профессионального ремонта автомобилей более 10 лет.
Увеличить клиренс, конечно, можно, вот только прежде чем этим заниматься стоит задаться вопросом: а стоит ли? Повышенный дорожный просвет не сделает обычный городской автомобиль полноприводным лифтованным внедорожником для покорения любого бездорожья. Установка высокопрофильных колёс один из самых очевидных и простых способов увеличения дорожного просвета. Однако не все учитывают минусы. Во-первых, это повышение расхода топлива. Во-вторых, если автомобиль современный такой способ может повлиять на показания, которые передаются с колёс на бортовой компьютер. В конце концов, большие колёса трутся об арки.
Второй по популярности способ это установка специальных проставок. Увеличить клиренс можно, но внесение изменений в конструкцию ходовой части не сулит ничего хорошего. Появляются вибрации, в поворотах наблюдаются крены, машина становится «валкой».
Можно установить пружины с большим количеством витков. Но в таком случае придется раскошелиться на новые амортизаторы с длинным ходом штока и процедуру развал/схождения. Если изначально автомобиль не предназначен для высокого клиренса, то установка новых амортизационных стоек принесет те же проблемы, что и проставки. Кроме того, если автомобиль новый и находится на гарантии, манипуляции с повышением клиренса приведут к отказу официальных дилеров ремонтировать автомобиль по гарантии, если возникнет такая потребность. Стоят ли 3 лишних сантиметра клиренса таких проблем и финансовых вложений, каждый решает для себя сам. Возможно, если уж так хочется большего дорожного просвета, стоит подумать о покупке кроссовера.
youtube.com/embed/tuyneynVbXs?rel=0″ frameborder=»0″ allowfullscreen=»allowfullscreen»>- Автор: Михаил
- Распечатать
Оцените статью:
(14 голосов, среднее: 2.5 из 5)
Поделитесь с друзьями!
Adblock
detector
Какие машины меньше теряют в цене?
- Главная
- Статьи
- Дороже новых: какие машины меньше теряют в цене
Автор: Михаил Гзовский
Многие автомобилисты, выбирая новую машину, уже прикидывают, как будут ее перепродавать.
Самый простой способ узнать, какие марки и модели выгоднее для последующей перепродажи – заглянуть в рейтинг сохранения стоимости. В Сети их масса, но смотреть на европейские или американские нет никакого смысла: другие модели, свои предпочтения у покупателей, иные рыночные, налоговые реалии. Для России актуальную статистику вот уже 10 лет предоставляет Автостат в ежегодных рейтингах Residual value. Составляя последнюю выборку, эксперты проанализировали цены на новые и подержанные автомобили 55 марок, 335 моделей и 1100 модификаций. В ней приведена остаточная стоимость подержанной трехлетки в 2021 году по сравнению с ее стоимостью новой в 2018-м.
В сегменте В выгоднее всего для владельцев оказались Kia Rio (сохранение стоимости 106,7%), Renault Sandero (104,7%) и – неожиданно – редкий на наших дорогах Citroen C3 Aircross (104,4%).
Понятно, что в здоровых экономических условиях показатели, очевидно, не могут быть выше изначальных 100% от цены нового авто. Однако в России перманентно происходит существенная коррекция цен, и трехлетние машины продаются на вторичном рынке дороже, чем стоили новыми. Это только кажется чрезвычайно выгодным – придя к дилеру за новой машиной, вы удивитесь ценам, хотя только что очень дорого, если верить данным из таблицы, продали свой старый автомобиль.
Отсюда следует вторая оговорка. Показатели сохранения стоимости на стабильном рынке зависят от того, насколько медленно теряет в цене подержанная машина. В России же ключевое влияние оказывает степень удорожания новой, ведь продавцы автомобилей с пробегом, выставляя цену, ориентируются именно на их стоимость. Поэтому в тройках лидеров часто встречаются малопопулярные модели – они просто сильно взлетели в цене за три года.
Как должно быть в теории? Официальная инфляция за 2018-2021 годы в России составила 22,2%. В обычных условиях считается, что автомобиль только за первый год теряет в цене 20%. Таким образом, естественный рост цен за четыре года эквивалентен всего лишь году эксплуатации. Значит, стоимость подержанных машин должна была уйти гораздо ниже 100% по сравнению с новыми.
Ну а если опираться исключительно на курсы валют? Доллар с 2018 по 2021 годы, если усреднить колебания, вырос к рублю примерно на 17%, евро – на 13%. Это даже сильно ниже официального уровня инфляции, самого по себе показателя «сказочного»! Понятно, что такого мизерного роста цен у нас не было и быть не могло.
Всё встаёт на свои места, если опираться на реальное удорожание новых машин. К сожалению, реальная и официальная инфляция – это две большие разницы. В качестве примера хорошо подойдёт кросс-купе Renault Arkana. Модель вышла в 2019 году и за два года подорожала на 50%. Без рестайлингов и других модернизаций, традиционно влияющих на цену. И без учёта последней корректировки цен, случившейся на днях. Lada Granta, локализованная по-максимуму, за три года подорожала примерно на 40%. Значит, подавляющее большинство моделей накинуло к цене примерно столько же. Удорожание новых машин на 40-50% примерно равно расчётной потере стоимости «бэушек». Поэтому в аналитике и выходит остаточная стоимость около 100%. Нужно просто опираться на цифры реальной жизни.
Можно дать несколько работающих советов по выбору машины в отрыве от цен на конкретные модели. При прочих равных менее активно дешевеют популярные автомобили. Они продаются десятками тысяч ежегодно, но и на вторичном рынке на них отличный спрос. Раз так, нет смысла демпинговать, и цены держатся сравнительно высокими. При выборе новой машины с точки зрения последующей перепродажи будут выгодными Lada, Kia, Hyundai, Renault или Toyota. А вот для покупателя на вторичке интереснее Citroen, Peugeot и Opel.
Потери в стоимости в премиальном сегменте всегда выше, чем в массовом. Эта аксиома работает и на российском рынке. Взгляните на данные Автостата: в таблице с массовыми брендами показатели ниже 100% единичны, а у премиальных, напротив, в порядке вещей. Причем чем дороже модель, тем выше разница между новой и подержанной. Представительские седаны, самые престижные в автомобильной иерархии, сохраняют стоимость хуже всего. Трехлетний Mercedes S-класса будет стоить 81,4% от цены нового, Audi A8 – 79,5%, Lexus LS – 67,3% – удешевление на треть! И это при том факте, что стоимость их же новых тоже лезет вверх.
Новые машины отечественной сборки дорожают медленнее, нежели импортируемые. Поэтому в рейтингах остаточной стоимости тут и там видны парадоксы. Например, все те же Citroen C3 Aircross и Suzuki Jimny. Они заметно подорожали за три года, а трехлетки торгуют с оглядкой именно на цену новых машин. Есть и обратные примеры. Skoda Octavia собирается в России и очень популярна что без пробега, что с пробегом, но в топе ее нет.
Наконец, оказывает влияние магия бренда. Российские покупатели питают слабость к Toyota, Lexus и Mercedes-Benz. Поэтому многие из них в своих классах оказываются в числе лучших по сохранению остаточной стоимости. А какой-нибудь Jaguar выгоднее поискать именно на вторичном рынке, ведь он быстрее остальных теряет в цене.
С таким ростом цен и экономическими потрясениями в России автомобиль стал объектом инвестирования: с годами почти не дешевеет. Жаль, что это всего лишь иллюзия. Ее разбивают обесценивающийся рубль и лезущие вверх цены на новые машины. Сейчас совет простой: если хотите потерять минимум, берите что-то из числа бестселлеров или непотопляемую Toyota.
статистика
Новые статьи
Статьи / Автобус
Нам на них ездить: новинки международной выставки автобусов Busworld 2022
С 29 ноября по 1 декабря в Москве проходила международная выставка автобусов Busworld 2022. Само собой, на этой выставке по понятным причинам не принимали участие MAN, Volvo, Scania и все ос…
8
0
0
02.12.2022
Статьи / Практика ATF, PSF и три разных цвета: что заливать в гидроусилитель и что можно смешивать Про жидкость гидроусилителя руля, к сожалению, обычно вспоминают в двух случаях: когда насос уже умирает и начинает выть или если она куда-то вытекла. По-хорошему, конечно, её тоже надо меня… 169 0 0 02.12.2022
Статьи / Практика
Не навреди: 10 популярных ошибок зимней эксплуатации автомобиля
Зимой автомобиль гораздо более уязвим, нежели в теплое время года. Многие детали теряют гибкость, эластичность, становятся хрупкими. Но толика внимания и понимания со стороны водителя позвол…
1605
3
2
01.12.2022
Популярные тест-драйвы
Тест-драйвы / Тест-драйв Haval Dargo против Mitsubishi Outlander: собака лает, чужестранец идет В дилерском центре Haval на юге Москвы жизнь кипит: покупатели разглядывают машины, общаются с менеджерами и подписывают какие-то бумаги. Пока я ждал выдачи тестового Dargo, такой же кроссов… 17935 7 205 13.09.2022
Тест-драйвы / Тест-драйв
Мотор от Mercedes, эмблема от Renault, сборка от Dacia: тест-драйв европейского Logan 1,0
Казалось бы, что нового можно рассказать про Renault Logan второго поколения, известный каждому российскому таксисту, что называется, вдоль и поперёк? Однако конкретно в этом автомобиле есть. ..
14400
10
41
13.08.2022
Тест-драйвы / Тест-драйв Geely Coolray против Haval Jolion: бесплатный сыр? Если бы! Хотите купить сегодня машину с полноценной гарантией, в кредит по адекватной ставке, без диких дилерских накруток? Сейчас это та еще задачка, ведь полноценную цепочку «представительство – з… 11603 26 30 10.08.2022
Car_Model_List | База данных моделей автомобилей со всеми производителями автомобилей, моделями, категориями и годом выпуска. |
Car_Model_List_Acura | Acura: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Alfa_Romeo | Alfa Romeo: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Aston_Martin | Aston Martin: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Audi | AUDI: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_BMW | BMW: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Bentley | Bentley: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Buick | Buick: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Cadillac | Cadillac: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Chevrolet | Chevrolet: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Chrysler | Chrysler: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Daewoo | Daewoo: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Daihatsu | Daihatsu: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Dodge | Dodge: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Eagle | Eagle: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Ferrari | Ferrari: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Fiat | Fiat: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Fisker | Fisker: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Ford | Ford: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Freightliner | Freighliner: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_GMC | GMC: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Genesis | Genesis: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Geo | Geo: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Honda | Honda: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Hummer | Hummer: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Hyundai | Hyundai: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Infinity | Infinity: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Isuzu | Isuzu: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Jaguar | Jaguar: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Jeep | Jeep: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Kla | Kla: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Lamborghini | Lamborghini: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Land_Rover | Land Rover: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Lexus | Lexus: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Lincoln | Lincoln: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Lotus | Lotus: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_MAZDA | Mazda: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Maserati | Maserati: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Maybach | Maybach: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_McLaren | McLaren: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Mercedes_Benz | Mercedes Benz: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Mercury | Mercury: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Mini | Mini: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Mitsubishi | Mitsubishi: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Nissan | Nissan: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Oldsmobile | Oldsmobile: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Panoz | Panoz: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Plymouth | Plymouth: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Pontiac | Pontiac: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Porsche | Porsche: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Ram | Ram: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Rolls_Royce | Rolls Royce: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Saab | Saab: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Saturn | Saturn: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Smart | Smart: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Subaru | Subaru: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Susuki | Susuki: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Tesla | Tesla: набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Toyota | Toyota: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Volkswagen | Volkswagen: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Car_Model_List_Volvo | Volvo: Набор данных с моделями автомобилей, категориями и годом выпуска. |
Классификация автомобилей с использованием машинного обучения
Фото Håkon Sataøen на Unsplash по оценкам, через онлайн-платформы будет продано 6 миллионов автомобилей (см. Отчет о размере рынка подержанных автомобилей и тенденциях, 2020 г.). Как мы видим, роль автомобильной электронной коммерции возрастает, и поставщики этой торговой площадки должны обеспечивать лучший опыт для потребителей (покупателей и продавцов). Наряду с увеличением доли рынка резко увеличилось количество сообщений о мошенничестве. В Соединенном Королевстве в 2020 году было зарегистрировано более 70 000 сообщений о мошенничестве, жертвы которых потеряли около 80 миллионов долларов (Murray, 2020). Обычно такие посты содержат несоответствия, например, загруженные изображения не соответствуют информации об автомобиле. Используя передовые методы машинного обучения, подходящие для распознавания изображений, мы можем помочь решить упомянутую выше проблему. Этот проект направлен на создание модели, которая классифицирует марку и модель автомобиля по изображению. Кроме того, такую модель можно использовать при создании мобильного приложения, помогающего пользователям идентифицировать автомобили.
Набор данных
Чтобы построить такую модель, мы будем использовать набор данных Stanford Cars, обширную коллекцию изображений автомобилей. Он состоит из 16 185 изображений, помеченных 196 классов в зависимости от марки/модели/года автомобиля (Kaggle, n.d.). Пример одного из таких классов показан ниже.
Рисунок 1. Марка, модель и год выпуска автомобиля ( Изображение автора ) изображений в тренировочном наборе и столько же в тестовом наборе. Таблица 1. Сводка набора данных ( Изображение автора )Исследование данных
Набор данных не содержал пропущенных значений, поэтому удаление данных или импутация не потребовались. Задача состояла в том, чтобы автоматизировать извлечение марок/моделей/года выпуска автомобилей, поскольку строки различались по длине и типу символов. Это извлечение меток классов было выполнено в меру моих возможностей.
Кроме того, мы создали несколько гистограмм для столбцов марки и года выпуска. Основываясь на этих графиках, мы могли видеть, как распределяются данные. Например, какие марки автомобилей наиболее представлены в наборе данных. Из рисунка 2 видно, что наиболее представленной маркой автомобиля является Chevrolet, у которой более 800 изображений.
Рисунок 2. Распределение марок автомобилей ( Изображение автора )Согласно рисунку 3 мы видим, что наиболее представленным годом выпуска является 2012 год, в котором было выпущено около 5000 изображений автомобилей.
Рисунок 3. Гистограмма годов производстваФото The Nigmatic на UnsplashПодход 1: традиционные методы машинного обучения
Сначала мы будем использовать традиционные (или более традиционные) методы машинного обучения (например, регрессию, метод опорных векторов). и др.) для построения модели классификации.
Предварительная обработка данных
Чтобы использовать эти данные, сначала нам пришлось изменить размер всех изображений в одном формате (128×128 пикселей) для согласованности, а затем выразить их в числовой форме, точнее в массив NumPy пикселей RGB.
Предварительная обработка данныхМодели, которые мы использовали, перечислены ниже:
- Логистическая регрессия с анализом основных компонентов (PCA): PCA — это метод уменьшения размерности (метод без учителя), поэтому мы можем использовать его, когда у нас есть набор данных с несколькими измерениями. Мы хотим найти наиболее важные измерения, которые больше всего помогают нам объяснить данные.
- Машины опорных векторов с RBF (SVM): модели обучения с учителем, которые можно использовать для классификации и регрессионного анализа. SVM пытается линейно разделить данные, максимально увеличивая расстояние между классами.
- Случайные леса: один из наиболее обобщаемых алгоритмов для задач классификации.
Он использует ансамблевое обучение, которое представляет собой метод, который объединяет множество классификаторов для решения сложных задач. Алгоритмы Random Forests хорошо работают во многих приложениях, включая классификацию изображений.
Фото Mohd Hammad на Unsplash классификация изображений. Далее мы создадим различные модели глубокого обучения для классификации автомобилей.Подход 2: Глубокое обучение
Предварительная обработка данных
Учитывая, что люди делали изображения в нашем наборе данных, нет определенного угла или порядка того, как были сделаны снимки. Изображения в наборе данных сильно различаются, и работать с таким набором данных может быть непросто. Чтобы избежать таких проблем, мы выполнили аугментацию данных — метод, который увеличивает разнообразие набора данных за счет применения случайных преобразований (Tensorflow, 2020). Также для всех изображений мы выбрали стандартный размер 224х224х3.
Модели глубокого обучения:
- MobileNet : MobileNet-v2 — это сверточная нейронная сеть, содержащая 53 слоя. Эта сеть была обучена на более чем миллионе изображений из базы данных ImageNet и может классифицировать объекты по более чем 1000 категориям. Этот CNN оптимизирован для работы на мобильных устройствах (Sandler, 2018).
- VGG-16 : Эта сверточная нейронная сеть содержит 16 слоев. Он достиг 92,7% точность тестов первой пятерки в ImageNet, который представляет собой набор данных из более чем 14 миллионов изображений, принадлежащих 1000 классам.
- EfficientNet : EfficientNet — одна из самых эффективных моделей; эта сеть также была предварительно обучена в базе данных ImageNet. По сравнению с другими CNN, EfficientNet использует составное масштабирование, которое равномерно масштабирует все измерения глубины/ширины/разрешения при сохранении баланса (Tan & Le, 2020).
Это значительно уменьшает размерность задач классификации.
При использовании предварительно обученных моделей необходимо настроить CNN для своей задачи; обычно это делается путем изменения последнего слоя (или нескольких последних слоев) предварительно обученной модели, чтобы в ней было то же количество классов, что и в наборе данных, с которым вы работаете (в нашем случае у нас есть 196 классов). , поэтому последний слой должен иметь 196 выходов). Мы настроили все модели глубокого обучения, изменив или добавив несколько слоев.
Результаты и анализ
После обучения моделей нам пришлось протестировать их на невидимых данных (данные тестирования) и посмотреть, насколько хорошо они работают для прогнозирования классов автомобилей. Судя по их производительности, оказалось, что традиционные модели машинного обучения дали плохие результаты. С другой стороны, модели глубокого обучения работали намного лучше.
В дополнение к проверке точности мы рассчитали точность и показатель отзыва для каждой модели (см. Таблицу 2). Однако любой другой показатель приводит к аналогичным выводам.
Таблица 2. Сводка результатов ( Изображение автора)Учитывая, что модели глубокого обучения дали лучшие результаты, мы рассмотрим их подробнее. MobileNet V2 работал хуже по сравнению с другими моделями глубокого обучения; в тестовом наборе он достиг точности выше 40%. VGG16 работал лучше; в тестовом наборе он достиг точности около 68%. Наконец, как и ожидалось, модель EfficientNet B1 оказалась самой эффективной моделью; точность проверки достигла 71% (см. график ниже). Также важно отметить, что EfficientNet B1 занял гораздо меньше времени в процессе обучения, чем другие, из-за составного масштабирования.
Рисунок 7. Точность проверки и потери моделей глубокого обучения ( Изображение автора) Наконец, мы использовали модель EfficientNet B1, чтобы сделать некоторые прогнозы для некоторых случайных изображений, выбранных из тестового набора (см. рисунок ниже).
Модель EfficientNet B1 работает относительно хорошо (она правильно классифицирует большинство автомобилей). В случаях неправильной классификации автомобили обычно очень похожи друг на друга. Как вы можете видеть на рисунке 5, автомобиль в правом нижнем углу должен был быть Toyota (правильная марка), но модель отличалась от оригинальной.
Заключение и будущая работа
Среди всех используемых моделей машинного обучения модель глубокого обучения (EfficientNet B1) оказалась лучшей моделью распознавания транспортных средств с точностью выше 71% на проверочном наборе. Очевидно, что такой точности недостаточно, чтобы сделать вывод о том, что EfficientNet B1 можно включить в платформы автомобильной электронной коммерции, но результаты обнадеживают. Из-за ограниченного бюджета времени графического процессора я не смог полностью изучить пространство гиперпараметров выбранных моделей. Полностью исследуя это пространство и выбирая наиболее оптимальные параметры, производительность выбранных моделей может быть дополнительно улучшена.
Репозиторий GitHub: https://github.com/AlbionKransiqi/Car-Classification
Ссылки
Отчет о размере и тенденциях рынка подержанных автомобилей, отчет о размере рынка подержанных автомобилей, долях и тенденциях по типу транспортного средства (гибридные, обычные, электрические), по типу поставщика, по типу топлива, по размеру, по региону, по каналу продаж и сегментным прогнозам, 2020–2027 (2020) Grand View Research
Метин А. (2021) Классификация глубокого обучения кожи с системным склерозом с помощью MobileNetV2 Model
Мюррей А., Не позволяйте мошенникам по продаже автомобилей увести ВАШИ деньги, когда вы покупаете свой следующий двигатель (2020) Это деньги
Kaggle, Stanford Car Dataset по папкам классов (nd) Kaggle
Tensorflow, Увеличение данных .