Předchozí

Další

Cvičení – nasazení modelu a použití koncového bodu

Dokončeno

Náš model funguje na uspokojivé úrovni, takže ho nasadíme!

Máte různé možnosti nasazení. Možnost, kterou zvolíte, závisí na tom, jak chcete model strojového učení používat. Můžete ho nasadit do koncového bodu nebo můžete model exportovat a nasadit do různých platforem.

Probereme, jak model nasadit do koncového bodu a použít ho v aplikaci.

Nasazení do koncového bodu

Model můžete nasadit do koncového bodu tak, že získáte adresu URL předpovědí nebo použijete rozhraní API v aplikaci v Pythonu.

Získání adresy URL předpovědí

1. Na horním řádku nabídek portálu Custom Vision vyberte Výkon.

2. Vyberte Publikovat.

3. V části Publikovat model vyberte prostředek predikce a pak vyberte název předpovědi pro váš projekt Custom Vision. Vyberte Publikovat.

   

   Po publikování modelu se akce modelu změní na portálu Custom Vision.

4. Vyberte kartu Prediktivní adresa URL.

5. V části Použití rozhraní API pro predikce v textovém poli v části Pokud máte adresu URL obrázku, zkopírujte a uložte hodnotu a pak vyberte Získat.

   

Použití rozhraní API v aplikaci v Pythonu

Když se model vytrénuje a provádí s uspokojivou přesností, je model připravený k použití v aplikaci.

1. Na webu Azure Portal přejděte do skupiny prostředků, která obsahuje váš prostředek Custom Vision. Prostředek s názvem <YourCustomVisionResourceName-Prediction> se zobrazí s původní skupinou prostředků.

   

2. Výběrem názvu předpovědi otevřete stránku Přehled . Tato stránka obsahuje odkazy na prostředky, které vám můžou pomoct získat další informace o volání rozhraní API pro získání predikcí z modelu.

3. V části Začínáme v části 3 vyberte odkaz pro rychlý start pythonu. Rychlý start pro klasifikaci obrázků služeb Azure AI pro Python se otevře ve webovém prohlížeči.

   

   Tady je příklad ukázkového kódu pro volání rozhraní API pro predikce v Pythonu. Úplný kód najdete v rychlém startu.

   from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
   
   # Create variables for your resource; replace variables with valid values.
   prediction_key = "<YourKey>"
   endpoint = "<YourEndpoint>"
   base_image_url = "<BasePathToImageFolder>"
   
   # An example of a default iteration name is "Iteration1".
   publish_iteration_name = "<PublishedIterationName>"
   
   # You can find the project ID in the settings of the Custom Vision project in the portal.
   project.id = "<CustomVisionProjectId>"
   
   # Now, you have a trained endpoint that you can use to make a prediction.
   prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
   
   predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
   
   with open(base_image_url + "images/Test/test_image.jpg", "rb") as image_contents:
       results = predictor.classify_image(
           project.id, publish_iteration_name, image_contents.read())
   
   # Display the results.
   for prediction in results.predictions:
       print("\t" + prediction.tag_name +
            ": {0:.2f}%".format(prediction.probability * 100))
   

Když publikujete do publikovaného koncového bodu, zobrazí se výsledek, který bude vypadat jako v následujícím příkladu. Výstup obsahuje pravděpodobnosti jednotlivých značek, na které byl model Custom Vision natrénován – seřazené od nejvyššího skóre. Model rozpoznává jenom druhy ptáků, na které byl trénovaný. Pokud vystavíte obrázek ptáka, na jehož rozpoznání nebyl model trénovaný, model pro něj předpoví jeden z ptačích druhů, na které byl trénovaný.

American Crow: 99.18%
Common Grackle: 25.34%
Red-tailed Hawk (Dark morph): 4.09%
Mourning Dove: 1.74%
American Robin (Adult): 0.92%
House Sparrow (Female): 0.40%
American Robin (Juvenile): 0.31%
Northern Cardinal (Adult Male): 0.24%
Tufted Titmouse: 0.04%
Blue Jay: 0.04%
House Sparrow (Male): 0.04%
Northern Cardinal (Female): 0.04%
Red-tailed Hawk (Light morph immature): 0.02%
American Goldfinch (Male): 0.02%
House Wren: 0.01%
American Goldfinch (Female): 0.01%

Teď máte zkušenosti s používáním modelu strojového učení, který jste vytvořili. Díky novým datům k analýze můžete lépe zdokumentovat ptačí návyky, které pomáhají šetřit ptačí prostředí a zvýšit ohrožené ptačí populace. Všechno s pomocí služby Azure AI Custom Vision!

Pokračovat