Grundkenntnisse zu Custom Vision

  • 2 Minuten

Wir werden den Azure KI Custom Vision-Dienst zum Erstellen eines Machine Learning-Modells verwenden. Erfahren Sie mehr über die Funktionsweise von Custom Vision. Anschließend wird die exemplarische Vorgehensweise zum Erstellen eines Modells von der Konzeption bis zum voll funktionsfähigen Modell veranschaulicht.

Was ist Machine Learning?

Vermutlich haben Sie bereits von KI, maschinellem Lernen oder Deep Learning gehört. Im Folgenden werden diese Begriffe und ihre Unterschiede erläutert.

  • Künstliche Intelligenz (KI): KI ist der Prozess zum Programmieren eines Computer zum Imitieren der menschlichen Intelligenz. KI umfasst maschinelles Lernen. Das Konzept der KI meint das Imitieren der menschlichen Intelligenz mithilfe eines Computers. KI bietet jedoch viele verschiedene Verfahren. Dieses Modul befasst sich mit der Verfahren für maschinelles Lernen.

  • Maschinelles Lernen: Das maschinelle Lernen ist ein Teil der KI. Beim maschinellen Lernen werden Verfahren verwendet, um Computer auf der Basis von Erfahrung zu trainieren. Stellen Sie sich diese Erfahrung als ein Dataset mit bereits vorhandenen richtigen oder falschen Antworten. Beim maschinellen Lernen verwendet der Computer die angegebenen Antworten, um zu verbessern, wie der Computer bestimmte Aufgaben erfüllt. Das maschinelle Lernen umfasst auch Deep Learning.

  • Deep Learning: Deep Learning ist eine Teilmenge von Machine Learning, die auf künstlichen neuronalen Netzwerken (Artificial Neural Networks, ANNs) basiert. Der Lernprozess ist Deep (tief), weil ANNs aus mehreren Ebenen bestehen: Eingabe, Ausgabe und ausgeblendete Ebenen. Jede Ebene enthält Einheiten, die die Eingabedaten in Informationen umwandeln, die die nächste Ebene für eine bestimmte vorhersagende Aufgabe verwenden kann. Die Struktur des neuronalen Netzes ermöglicht einem Computer das Lernen über seine eigene Datenverarbeitung.

    A graphical depiction of the nested relationship between A I, machine learning, and deep learning.

Beim Erstellen eines Modells versuchen wir, die menschliche Intelligenz zu imitieren. Daten werden als „Erfahrungen“ verwendet, um ein Modell zum Erlernen einer spezifischen Aufgabe oder Funktion zu trainieren.

Was ist der Lerntransfer?

Azure KI Custom Vision verwendet den Lerntransfer. Lerntransfer ist die Fähigkeit, mithilfe von erworbenem Wissen das aktuelle Problem besser zu lösen. Als Menschen lösen wir mit diesem Ansatz ständig Probleme. Wir entdecken auch neue Möglichkeiten, hierzu Computer zu verwenden.

Der Lerntransfer im Custom Vision-Dienst in Azure funktioniert durch Hinzufügen einer Ebene, die aus einem vorab trainierten Modell besteht, zum neuronalen Netz. Das trainierte Modell verschafft Ihnen beim Trainieren neuer Daten einen Vorsprung. Das Training beginnt mit einer Allgemeinwissendomäne. Neue Ebenen werden dem neuronalen Netzwerk hinzugefügt, um ein bestimmtes Problem zu lösen. In diesem Fall ist das zu lösende Problem das Identifizieren von Vögeln. Indem wir mit einem vorab trainierten Modell beginnen, erzielen wir bessere Ergebnisse, ohne große Datenmengen hinzuzufügen.

Erstellen eines Machine Learning-Modells

Ein Überblick über die einzelnen Schritte des Prozesses zum Erstellen eines Machine Learning-Modells erleichtert das Verständnis. Mit diesem Prozess erstellen wir ein Machine Learning-Modell.

A graphical depiction of six steps in the process of building a machine learning model.

  1. Stellen einer gezielten Frage: Die Frage lautet: Können wir die Art eines Vogels anhand eines Bilds identifizieren, um verschiedene Trends und Muster in den Gewohnheiten von Vögeln einfacher zu dokumentieren?

  2. Aufbereiten von Daten Für dieses Szenario verwenden Sie ein sauberes und vorbereitetes Dataset vom CLO. Dieser Schritt ist also bereits erledigt. Wenn Sie ein anderes Modell erstellen würden, müssten Sie Daten zum Trainieren des Modells suchen und vorbereiten. Sie würden dann Daten benötigen, die helfen, Ihre spezielle Frage zu beantworten.

  3. Wählen Sie einen Algorithmus aus. Der Custom Vision-Dienst in Azure verwendet ein Convolutional Neural Network (CNN), daher müssen Sie sich nicht um diesen Schritt kümmern. Ein CNN ist eine Art von Deep Learning, die häufig zum Analysieren von Bildern verwendet wird. Wenn der Algorithmus bereits erstellt ist, sparen Sie sich viel Zeit.

  4. Auswählen eines Kandidatenmodells: Mit dem Custom Vision-Dienst verfügen Sie über hilfreiche Graphen und Daten, die Ihnen dabei helfen, zu bestimmen, ob das Modell gut genug funktioniert, um die Frage zufriedenstellend beantworten zu können. Wenn wir der Meinung sind, dass das Modell gut genug funktioniert, fahren wir mit dem nächsten Schritt fort, dem Testen.

  5. Testen des Modells mit nicht gesehenen (neuen) Daten: Es ist wichtig, dass Sie das Modell testen, indem Sie neue Daten hinzufügen. Wir führen eine Internetsuche nach einigen Testbildern durch, um zu überprüfen, wie das Modell mit Daten funktioniert, mit denen es nicht trainiert wurde. Im späteren Verlauf dieses Moduls wird behandelt, warum diese Art von Tests wichtig ist.

  6. Bereitstellen des Modells. Custom Vision bietet uns einige Optionen, wenn es an der Zeit ist, das Modell bereitzustellen. Wir können das Modell für die Integration an einem Endpunkt bereitstellen oder das Modell herunterladen. Wenn Sie das Modell herunterladen, können Sie aus mehreren Formaten die Bereitstellung auswählen, die am besten für Ihr Projekt geeignet ist. In diesem Modul erfahren Sie, wie Sie die im Custom Vision-Portal verfügbare Option für die schnelle Bereitstellung verwenden.

Beginnen Sie mit dem Erstellen Ihres Modells.