ابدأ بتصنيف الصور على Azure
يمكنك إجراء تصنيف الصور باستخدام Azure الذكاء الاصطناعي Custom Vision، المتوفر كجزء من عروض Azure الذكاء الاصطناعي Services. ويعد ذلك أسهل وأسرع بشكل عام من كتابة تعليمة برمجية للتدريب النموذجي الخاص بك، ويمكّن الأشخاص الذين لديهم خبرة قليلة أو معدومة في التعلم الآلي من إنشاء حل فعال لتصنيف الصور.
موارد Azure ل Azure الذكاء الاصطناعي Custom Vision
يتكون إنشاء حل تصنيف الصور باستخدام Azure الذكاء الاصطناعي Custom Vision من مهمتين رئيسيتين. يجب أولاً استخدام الصور الموجودة لتدريب النموذج، وبعد ذلك يجب نشر النموذج حتى يمكن لتطبيقات العميل استخدامه لإنشاء تنبؤات.
لكل مهمة من هذه المهام، تحتاج إلى مورد في اشتراك Azure الخاص بك. يمكنك استخدام الأنواع التالية من الموارد:
- الرؤية المخصصة: مورد مخصص لخدمة الرؤية المخصصة، والتي يمكن أن تكون التدريب أو التنبؤ أو كلا الموارد.
- خدمات Azure الذكاء الاصطناعي: مورد عام يتضمن Azure الذكاء الاصطناعي Custom Vision جنبا إلى جنب مع العديد من خدمات Azure الذكاء الاصطناعي الأخرى. يمكنك استخدام هذا النوع من الموارد بغرض التدريب، أو التنبؤأو كليهما.
يُعد فصل موارد التدريب والتنبؤ مفيدًا عندما تريد تتبع استخدام الموارد لتدريب النموذج بشكل منفصل عن تطبيقات العميل باستخدام النموذج للتنبؤ بفئات الصور. ومع ذلك، يمكن أن يتسبب تطوير حل تصنيف الصور في حدوث إرباك بعض الشيء.
أبسط نهج هو استخدام مورد خدمات Azure الذكاء الاصطناعي عام لكل من التدريب والتنبؤ. هذا يعني أنه يجب عليك فقط الاهتمام بـ نقطة نهاية واحدة (عنوان HTTP الذي تستضيف فيه خدمتك) والمفتاح (قيمة سرية تستخدمها تطبيقات العميل لمصادقة نفسها).
إذا اخترت إنشاء مورد Custom Vision، فستتم مطالبتك باختيار training أو prediction أو both - ومن المهم ملاحظة أنه إذا اخترت "كليهما"، فسيتم إنشاء موردين - أحدهما للتدريب والآخر للتنبؤ.
من الممكن أيضا اتباع نهج مختلط ومطابق يمكنك من خلاله استخدام مورد Custom Vision مخصص للتدريب، ولكن توزيع النموذج الخاص بك إلى مورد خدمات Azure الذكاء الاصطناعي للتنبؤ. يجب إنشاء موارد التدريب والتنبؤ في نفس المنطقة من أجل أن يكون ذلك مجديًا.
تدريب النموذج
لتدريب نموذج التصنيف، يجب عليك تحميل الصور إلى مصدر التدريب الخاص بك وتسميتها بتسميات الفئة المناسبة. بعد ذلك، يجب عليك تدريب النموذج وتقييم نتائج التدريب.
يمكنك تنفيذ هذه المهام في مدخل Custom Vision، أو إذا كان لديك تجربة الترميز الضرورية، يمكنك استخدام إحدى مجموعات تطوير البرامج الخاصة بلغة برمجة خدمة Custom Vision (SDKs) الخاصة بخدمة Azure الذكاء الاصطناعي Custom Vision.
أحد الاعتبارات الرئيسية عند استخدام الصور للتصنيف، هو التأكد من أن لديك صورًا كافية للأشياء المعنية ويجب أن تكون تلك الصور للعنصر من عدة زوايا مختلفة.
تقييم النماذج
عملية تدريب النموذج هي عملية تكرارية تقوم فيها خدمة Azure الذكاء الاصطناعي Custom Vision بتدريب النموذج بشكل متكرر باستخدام بعض البيانات، ولكنها تحتفظ ببعضها مرة أخرى لتقييم النموذج. في نهاية عملية التدريب، تتم الإشارة إلى أداء النموذج المدرب حسب مقاييس التقييم التالية:
- الدقة: ما هي النسبة المئوية لتوقعات الفئة التي أجراها النموذج كانت صحيحة؟ على سبيل المثال، إذا توقع النموذج وجود 10 صور برتقالية، وكان يوجد منها 8 صور برتقالية بالفعل، فإن الدقة تساوي 0.8 (80٪).
- الاسترجاع: ما هي النسبة المئوية لتوقعات الفئة التي حددها النموذج بشكل صحيح؟ على سبيل المثال، إذا كان يوجد 10 صور لتفاح، وحدد النموذج 7 منها، فيكون الاسترجاع 0.7 (70%).
- متوسط الدقة (AP): مقياس إجمالي يأخذ في الاعتبار كل من الدقة والاسترجاع.
استخدام النموذج للتنبؤ
بعد أن تقوم بتدريب النموذج، وأنت راضٍ عن أدائه الذي تم تقييمه، يمكنك نشر النموذج على مورد التنبؤ الخاص بك. عند نشر النموذج، يمكنك تعيين اسم له (الاسم الافتراضي هو "التكرار X"، حيث تمثل X عدد المرات التي قمت فيها بتدريب النموذج).
لاستخدام النموذج الخاص بك، يحتاج مطورو تطبيقات العملاء إلى المعلومات التالية:
- Project ID: المعرف الفريد لمشروع Custom Vision الذي أنشأته لتدريب النموذج.
- Model name: الاسم الذي عينته للنموذج أثناء النشر.
- Prediction endpoint: عنوان HTTP لنقاط النهاية لمورد التنبؤ الذي قمت بنشر النموذج عليه (ليس مورد التدريب).
- Prediction key: مفتاح المصادقة لمورد التنبؤ الذي قمت بنشر النموذج عليه (لا مورد التدريب).