Megoldási ötletek
Ez a cikk egy megoldási ötletet ismertet. A felhőmérnök ezen útmutató segítségével megjelenítheti az architektúra tipikus implementációjának fő összetevőit. Ez a cikk kiindulási pontként szolgál egy jól megtervezett megoldás megtervezéséhez, amely megfelel a számítási feladat egyedi követelményeinek.
Konvolúciós neurális hálózatok (CNN-ek) használatával nagy méretű képeket sorolhat be hatékonyan a képek elemeinek azonosításához.
Architektúra
Töltse le az architektúra Visio-fájlját.
Adatfolyam
- Az Azure Machine Learning betölti a képfeltöltéseket az Azure Blob Storage-ba.
- Mivel a megoldás egy felügyelt tanulási megközelítést követ, és a modell betanításához adatcímkézésre van szükség, a betöltött rendszerképek a Machine Learningben vannak címkézve.
- A CNN-modell betanítása és érvényesítése a Machine Learning-jegyzetfüzetben történik. Számos előre betanított képbesorolási modell érhető el. Ezeket a transzfertanulási megközelítéssel használhatja. Az előre betanított CNN-ek egyes változatairól a konvolúciós neurális hálózatok használatával végzett képbesorolási fejlesztések című témakörben olvashat. Letöltheti ezeket a képbesorolási modelleket, és testre szabhatja őket a címkézett adatokkal.
- A betanítás után a modell a Machine Learning egy modellregisztrációs adatbázisában lesz tárolva.
- A modell kötegelt felügyelt végpontokon keresztül van üzembe helyezve.
- A modell eredményei az Azure Cosmos DB-be vannak írva, és az előtérbeli alkalmazáson keresztül lesznek felhasználva.
Összetevők
- A Blob Storage az Azure Storage részét képező szolgáltatás. A Blob Storage optimalizált felhőalapú objektumtárolást kínál nagy mennyiségű strukturálatlan adathoz.
- A Machine Learning egy felhőalapú környezet, amellyel gépi tanulási modelleket taníthat be, helyezhet üzembe, automatizálhat, kezelhet és követhet. A modellek segítségével előre jelezheti a jövőbeli viselkedést, eredményeket és trendeket.
- Az Azure Cosmos DB egy globálisan elosztott, többmodelles adatbázis. Az Azure Cosmos DB-vel a megoldások rugalmasan méretezhetik az átviteli sebességet és a tárolást tetszőleges számú földrajzi régióban.
- Az Azure Container Registry tárolólemezképeket fejleszt, tárol és kezel, és tárolóalapú gépi tanulási modelleket tárol.
Forgatókönyv részletei
Az olyan technológiák növekedésével, mint a dolgok internete (IoT) és az AI, a világ nagy mennyiségű adatot generál. A releváns információk kinyerése az adatokból jelentős kihívást jelent. A képbesorolás megfelelő megoldás a kép ábrázolásának azonosítására. A képbesorolás segíthet a nagy mennyiségű kép kategorizálásában. A konvolúciós neurális hálózatok (CNN-ek) jó teljesítményt mutatnak a képadatkészleteken. A CNN-k jelentős szerepet játszottak a korszerű képbesorolási megoldások fejlesztésében.
A CNN-ekben három fő rétegtípus létezik:
- Konvolúciós rétegek
- Rétegek készletezése
- Teljesen csatlakoztatott rétegek
A konvolúciós réteg a konvolúciós hálózat első rétege. Ez a réteg egy másik konvolúciós réteget vagy készletezési réteget is követhet. Általában a teljes mértékben csatlakoztatott réteg a hálózat utolsó rétege.
A rétegek számának növekedésével a modell összetettsége nő, és a modell képes azonosítani a kép nagyobb részeit. Az első rétegek az egyszerű funkciókra, például az élekre összpontosítanak. Ahogy a képadatok a CNN rétegeiben haladnak előre, a hálózat elkezdi felismerni az objektum kifinomultabb elemeit vagy alakzatait. Végül azonosítja a várt objektumot.
Lehetséges használati esetek
- Ez a megoldás segíthet automatizálni a hibaészlelést, ami előnyösebb, ha kizárólag emberi operátorokra támaszkodik. Ez a megoldás például a hibás elektronikus összetevők azonosításával növelheti a termelékenységet. Ez a képesség fontos a lean gyártás, a költség-ellenőrzés és a hulladékcsökkentés szempontjából a gyártásban. Az áramköri lapkák gyártásánál keletkező hibás lapkák jelentős anyagi és termelési veszteséget jelentenek. A szerelősorok az emberi operátorokra támaszkodva gyorsan áttekintik és ellenőrzik azokat a táblákat, amelyeket a szerelősor-tesztgépek esetleg hibásnak jelölnek.
- A képbesorolás ideális az egészségügyi ágazat számára. A képbesorolás segít észlelni a csontrepedéseket, a rák különböző típusait és a szövetek rendellenességeit. Képbesorolást is használhat a betegség jelenlétére utaló szabálytalanságok megjelölésére. A képbesorolási modell javíthatja az MRI-k pontosságát.
- A mezőgazdasági területen a képbesorolási megoldások segítenek azonosítani a vizet igénylő növénybetegségeket és növényeket. Ennek eredményeképpen a képbesorolás segít csökkenteni az emberi beavatkozás szükségességét.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködő írta.
Fő szerző:
- Ashish Chauhan | Vezető megoldástervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Következő lépések
- A Blob Storage-ról további információt az Azure Blob Storage bemutatása című témakörben talál.
- A Tárolóregisztrációs adatbázisról további információt az Azure-beli tárolóregisztrációs adatbázisok bemutatása című témakörben talál.
- A modellkezeléssel (MLOps) kapcsolatos további információkért lásd : MLOps: Modellkezelés, üzembe helyezés, leállás és monitorozás az Azure Machine Learning használatával.
- A SynapseML-ről további információt a Synapse Machine Learningben talál.
- A CNN-ekről szóló szakaszt tartalmazó Microsoft Learn-modul megismeréséhez tekintse meg a mélytanulási modellek betanítása és értékelése című témakört.
Kapcsolódó erőforrások
Vizuális keresés a kiskereskedelemben az Azure Cosmos DB-vel