Bildklassifizierung mit Convolutional Neural Networks (CNNs)

Blob Storage
Container Registry
Data Science Virtual Machines
Kubernetes-Dienst
Machine Learning

Lösungsmöglichkeiten

Dieser Artikel ist ein Lösungsvorschlag. Wenn Sie möchten, dass wir diesen Artikel um weitere Informationen ergänzen, z. B. potenzielle Anwendungsfälle, alternative Dienste, Überlegungen zur Implementierung oder Preisempfehlungen, lassen Sie es uns über Feedback auf GitHub wissen.

Mit dem Aufkommen von Technologien wie dem Internet der Dinge (IoT) und künstlicher Intelligenz (KI) werden weltweit riesige Mengen an Daten erzeugt. Das Extrahieren relevanter Informationen aus den Daten ist zu einer großen Herausforderung geworden. Die Bildklassifizierung ist eine wichtige Lösung, um festzustellen, was ein Bild darstellt. Mithilfe der Bildklassifizierung ist es möglich, eine große Menge an Bildern zu klassifizieren. Convolutional Neural Networks (CNNs) liefern gute Leistung bei Bilddatasets. CNNs haben eine entscheidende Rolle bei der Entwicklung hochmoderner Bildklassifizierungslösungen gespielt.

Es gibt drei grundlegende Schichten in einem CNN:

  • Convolutional-Schichten
  • Poolingschichten
  • Vollständig verbundene Schichten

Die Convolutional-Schicht ist die erste Ebene in einem CNN. Auf diese Schicht können eine weitere Convolutional-Schicht oder Pooling-Schichten folgen. Im Allgemeinen ist die vollständig vermaschte Schicht die letzte Ebene im Netzwerk.

Mit zunehmender Anzahl von Schichten steigt die Komplexität des Modells, wodurch größere Teile des Bilds identifiziert werden können. Die ersten Schichten konzentrieren sich auf einfache Merkmale, wie z. B. Kanten. Während die Bilddaten die Schichten des CNN durchlaufen, beginnt das Netzwerk, komplexere Elemente oder Formen in dem Objekt zu erkennen. Schließlich identifiziert es das erwartete Objekt.

Mögliche Anwendungsfälle

  • Diese Lösung kann dazu beitragen, die Fehlererkennung zu automatisieren, was gegenüber dem reinen Einsatz menschlicher Operatoren vorzuziehen ist. Diese Lösung kann beispielsweise die Produktivität steigern, indem fehlerhafte elektronische Komponenten identifiziert werden. Diese Funktion ist wichtig für schlanke Fertigung, Kostenkontrolle und Abfallreduzierung bei der Fertigung. Bei der Leiterplattenfertigung können fehlerhafte Platinen die Hersteller Geld und Produktivität kosten. In Fertigungslinien sind menschliche Bediener für die schnelle Überprüfung und Validierung von Platinen zuständig, die von den Testmaschinen am Fließband als potenziell fehlerhaft eingestuft werden.
  • Die Bildklassifizierung eignet sich ideal für die Gesundheitsbranche. Die Bildklassifizierung hilft dabei, Knochenbrüche, verschiedene Arten von Krebs und Anomalien in Geweben zu erkennen. Sie können die Bildklassifizierung auch verwenden, um Unregelmäßigkeiten zu kennzeichnen, die auf das Vorhandensein von Krankheiten hinweisen können. Ein Bildklassifizierungsmodell kann die Genauigkeit von MRIs verbessern.
  • In der Landwirtschaft helfen Bildklassifizierungslösungen dabei, Pflanzenkrankheiten und bewässerungsbedürftige Pflanzen zu erkennen. Hieraus resultiert, dass die Bildklassifizierung dabei hilft, die Notwendigkeit menschlichen Eingreifens zu verringern.

Aufbau

Architekturdiagramm: Bildklassifizierung mit Convolutional Neural Networks und Azure Machine LearningLaden Sie eine SVG-Datei für diese Architektur herunter.

Datenfluss

  1. In Azure Blob Storage hochgeladene Bilder werden in Azure Machine Learning erfasst.
  2. Da die Lösung einen überwachten Lernansatz verfolgt und zum Trainieren des Modells eine Datenbeschriftung benötigt, werden die erfassten Bilder in Machine Learning beschriftet.
  3. Das CNN-Modell wird trainiert und im Machine Learning-Notebook überprüft. Es stehen mehrere vortrainierte Klassifizierungsmodelle zur Verfügung. Sie können sie mithilfe eines Transfer-Lernansatzes verwenden. Informationen zu einigen Varianten von vortrainierten CNNs finden Sie unter Fortschritte bei der Bildklassifizierung mithilfe von Convolutional Neural Networks. Sie können diese Bildklassifizierungsmodelle herunterladen und mit Ihren beschrifteten Daten anpassen.
  4. Nach dem Training wird das Modell in einer Modellregistrierung in Machine Learning gespeichert.
  5. Das Modell kann über im Batch verwaltete Endpunkte bereitgestellt werden.
  6. Die Modellergebnisse werden in Azure Cosmos DB geschrieben und über die Front-End-Anwendung genutzt.

Komponenten

  • Blob Storage ist ein Dienst, der zu Azure Storage gehört. Blob Storage bietet einen optimierten Cloudobjektspeicher für große Mengen unstrukturierter Daten.
  • Machine Learning ist eine cloudbasierte Umgebung, die Ihnen das Trainieren, Bereitstellen, Automatisieren, Verwalten und Nachverfolgen von Machine Learning-Modellen ermöglicht. Sie können die Modelle verwenden, um zukünftige Verhaltensweisen, Ergebnisse und Trends zu prognostizieren.
  • Azure Cosmos DB ist eine global verteilte Datenbank mit Unterstützung mehrerer Modelle. Mit Azure Cosmos DB können Sie Durchsatz und Speicher für Ihre Lösungen elastisch voneinander über eine beliebige Anzahl von geografischen Regionen skalieren.
  • Azure Container Registry erstellt, speichert und verwaltet Containerimages und kann containerisierte Machine Learning-Modelle speichern.

Beitragende

Dieser Artikel wird von Microsoft gepflegt. Er wurde ursprünglich von folgenden Mitwirkenden geschrieben.

Hauptautor:

Melden Sie sich bei LinkedIn an, um nicht öffentliche LinkedIn-Profile anzuzeigen.

Nächste Schritte