Insta360 ONE R2的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列各種有用的問答集和懶人包

重組EfficientNet模塊之口罩瑕疵檢測

為了解決Insta360 ONE R2的問題，作者王家恩 這樣論述：

在2019年底 新型冠狀病毒肺炎 (COVID-19)疫情爆發，全球口罩的需求瞬間大增，口罩的生產品質也變得重要。 因此本研究藉由 AI深度學習模型替口罩進行瑕疵檢測分類， 以當前精準 的卷積神經網路模型 EfficientNet 進行口罩檢測； 在使用模型時發現，雖然此類模型的準確率 高 ，但與 其他模型 相比則 需要較長的訓練時間 尤其是EfficientNet B7，在進行檢測 若沒有 高效能 顯示卡，就 無法進行訓練 ，最低也需要有一張 10G的顯示卡才能讓模型在不會將圖片縮得太小的情況下運作 。 於是本研究透過將EfficientNet B7的模型 神經層數量 減少， 並 觀察其在

此 情況下是否能夠 維持或提高檢測準確率 以目前修改表現最好的模型 得出 若 將 模型的 神經層數量減少百分之 60 不僅能降低顯示卡的負擔，還能減少訓練所要花費的時間， 且修改後的模型準確率與原始模型的準確率 也沒有太大差異 。

工業流水線結合物件偵測與瑕疵檢測系統 — 以口罩為例

為了解決Insta360 ONE R2的問題，作者楊永聖 這樣論述：

因為2019年年末的疫情影響，口罩變成了生活中的必需品之一，人工智慧也隨著疫情的影響出現了許多新的應用，人工智慧不只在生活中改變了人們的生活習慣同時也在工廠中出現了許多新的應用，讓工廠提昇製造產品的品質與效率，但在製造低單價產品的工廠中似乎較少使用人工智慧來改善產線的案例，所以本研究使用人工智慧針對口罩生產時的瑕疵研究出一套瑕疵檢測系統，此系統經過測試資料集的測試有96.6%的準確度，且在工業流水線結合物件偵測的測試達到了約82%的準確度。