Modell betanítása a Custom Vision használatával

Az oktatóanyag előző szakaszában áttekintettük a saját Windows Machine Learning-modell és -alkalmazás létrehozásának előfeltételeit, és letöltöttük a használni kívánt képkészletet. Ebben a szakaszban megtanuljuk, hogyan alakíthatja képosztályozási modellté a képkészletet a webes Custom Vision felület használatával.

Az Azure Custom Vision egy képfelismerő szolgáltatás, amellyel saját rendszerkép-azonosítókat hozhat létre, helyezhet üzembe és fejleszthet. A Custom Vision Service natív SDK-k készleteként, valamint a Custom Vision webhelyén található webes felületen érhető el.

Custom Vision-erőforrások és projekt létrehozása

Custom Vision-erőforrás létrehozása

A Custom Vision Service használatához Custom Vision-erőforrásokat kell létrehoznia az Azure-ban.

1. Lépjen az Azure-fiók főoldalára, és válassza a lehetőséget Create a resource.

2. A keresőmezőben rákeres Custom Vision-re, így eljut az Azure Marketplace-be. Válassza ki Create Custom Vision a párbeszédpanel megnyitásához a Custom Vision létrehozása lapon.

3. A Custom Vision párbeszédpanelen válassza a következőket:

• Válassza ki mindkét Training és Prediction erőforrást.
• Válassza ki az előfizetést az üzembe helyezett erőforrások kezeléséhez. Ha nem látja az Azure-előfizetését a menüben, jelentkezzen ki, és nyissa meg újra az Azure-fiókját ugyanazokkal a hitelesítő adatokkal, mint amellyel megnyitotta a fiókját.
• Hozzon létre egy új erőforráscsoportot, és adjon neki nevet. Ebben az oktatóanyagban a sajátunkat elneveztük MLTraining-nak, de nyugodtan válasszon saját nevet, vagy használja a meglévő erőforráscsoportot, ha van ilyen.
• Adjon nevet a projektnek. Ebben az oktatóanyagban elneveztük a sajátunkat classificationApp, de bármilyen nevet használhat.
• Mind a Training és Prediction erőforrások esetében állítsa be a helyszínt (USA) East US, a tarifacsomagot pedig Ingyenes FO-ként.

4. Nyomja le Review + create a Custom Vision-erőforrások üzembe helyezéséhez. Az erőforrások üzembe helyezése eltarthat néhány percig.

Új projekt létrehozása a Custom Visionben

Most, hogy létrehozta az erőforrást, ideje létrehozni a betanítási projektet a Custom Visionben.

1. A webböngészőben lépjen a Custom Vision lapra, és válassza a lehetőséget Sign in. Jelentkezzen be ugyanazzal a fiókkal, amelyet az Azure Portalra való bejelentkezéshez használt.

2. Válassza ki New Project az új projekt párbeszédpanel megnyitásához.

3. Hozzon létre egy új projektet az alábbiak szerint:

• Name: Élelmiszerosztályozás.
• Description: Különböző típusú élelmiszerek besorolása.
• Resource: tartsa meg ugyanazt az erőforrást, amelyet korábban megnyitott – ClassificationApp [F0].
• Project Types: classification
• Classification Types: Multilabel (Multiple tags per image)
• Domains: Food (compact).
• Export Capabilities: Basic platforms (Tensorflow, CoreML, ONNX, ...)

Megjegyzés:

Az ONNX formátumba való exportáláshoz győződjön meg arról, hogy a tartományt választja Food (compact) . A nem tömörített tartományok nem exportálhatók az ONNX-be.

Fontos

Ha a bejelentkezett fiók egy Azure-fiókhoz van társítva, az Erőforráscsoport legördülő menü megjeleníti az összes Azure-erőforráscsoportot, amely tartalmaz egy Custom Vision Service-erőforrást. Ha nem érhető el erőforráscsoport, győződjön meg arról, hogy ugyanazzal a fiókkal jelentkezett be customvision.ai, mint az Azure Portalra való bejelentkezéshez.

4. Miután kitöltötte a párbeszédpanelt, válassza a lehetőséget Create project.

A betanítási adatkészlet feltöltése

Most, hogy létrehozta a projektet, feltölt egy korábban előkészített adatkészletet a Kaggle Open Datasetsből származó élelmiszerképekből.

1. Válassza ki a FoodClassification projektet a Custom Vision webhely webes felületének megnyitásához.

2. Válassza ki a Add images gombot, és válassza a Browse local fileslehetőséget.

3. Keresse meg a képadatkészlet helyét, és válassza ki a betanítási mappát – vegetable-fruit. Jelölje ki a mappában lévő összes képet, és válassza a openlehetőséget. Megnyílik a címkézési lehetőség.

4. Írja be a vegetable-fruit mezőbe, majd nyomja meg a My Tags gombot.

Várjon, amíg a rendszer feltölti az első képcsoportot a projektbe, majd nyomja le a billentyűt done. A címkekijelölés a feltöltendő képek teljes csoportjára lesz alkalmazva. Ezért könnyebb képeket feltölteni a már előre összeállított képcsoportokból. Az egyes képek címkéi mindig módosíthatók a feltöltésük után.

5. A képek első csoportjának sikeres feltöltése után ismételje meg a folyamatot még kétszer, hogy feltöltse a desszert és a leves képeit. Ügyeljen arra, hogy a megfelelő címkékkel címkézze őket.

A végén három különböző képcsoport áll készen a betanításra.

A modellosztályozó betanítása

Most betanítja a modellt, hogy osztályozza a zöldségeket, leveseket és desszerteket az előző részben letöltött képek készletéből.

1. A betanítási folyamat elindításához kattintson a Train jobb felső sarokban található gombra. Az osztályozó a képek használatával hoz létre egy modellt, amely azonosítja az egyes címkék vizuális tulajdonságait.

A valószínűségi küszöbértéket a bal felső sarokban lévő csúszkával módosíthatja. A valószínűségi küszöbérték meghatározza az előrejelzés megbízhatósági szintjét ahhoz, hogy helyesnek lehessen tekinteni. Ha a valószínűségi küszöbérték túl magas, akkor helyesebb besorolást kap, de kevesebbet észlel. Másrészt, ha a valószínűségi küszöbérték túl alacsony, sokkal több besorolást fog észlelni, de alacsonyabb megbízhatósággal vagy több hamis pozitív eredménnyel.

Ebben az oktatóanyagban a valószínűségi küszöbértéket 50%lehet tartani.

2. Itt a folyamatot fogjuk használni Quick Training . Advanced Training több beállítással rendelkezik, és lehetővé teszi, hogy konkrétan beállítsa a betanításhoz használt időt, de itt nincs szükség ilyen szintű vezérlésre. Nyomja le Train a betanítási folyamat elindításához.

A gyors betanítási folyamat csak néhány percet vesz igénybe. Ez idő alatt a betanítási folyamatra vonatkozó információk megjelennek a Performance lapon.

Kiértékelés és tesztelés

Az eredmények kiértékelése

A betanítás befejezése után megjelenik az első betanítási iteráció összegzése. Ez magában foglalja a modell teljesítményének becslését – pontosságot és visszahívást.

• A pontosság az azonosított besorolások helyes törtrészét jelzi. A modellünk pontossága 98,2%, így ha modellünk besorol egy képet, nagy valószínűséggel helyesen kerül besorolásra.
• A visszahívás a helyesen azonosított tényleges besorolások töredékét jelzi. A modellünkben a felidézési arány 97,5%, így a modell megfelelően osztályozza a neki bemutatott képek túlnyomó többségét.
• Az AP a További Teljesítményt jelenti. Ez egy további metrikát biztosít, amely különböző küszöbértékeken összegzi a pontosságot és a visszahívást.

A modell tesztelése

A modell exportálása előtt tesztelheti annak teljesítményét.

1. Válassza Quick Test a felső menüsor jobb felső sarkában egy új tesztablak megnyitásához.

Ebben az ablakban megadhatja a tesztelni kívánt kép URL-címét, vagy kiválaszthatja Browse local files a helyileg tárolt rendszerkép használatát.

2. Válassza ki Browse local files, keresse meg az élelmiszer-adatkészletet, és nyisson meg egy érvényesítési mappát. Válasszon tetszőleges véletlenszerű képet a mappából, és nyomja le fruit-vegetablea open billentyűt.

A tesztelés eredménye megjelenik a képernyőn. A tesztünkben a mód sikeresen besorolta a képet a 99,8% bizonyossággal.

A betanítási előrejelzést a Predictions lapon használhatja, amely javíthatja a modell teljesítményét. További információ: Hogyan fejlesztheti az osztályozót.

Megjegyzés:

Szeretne többet megtudni az Azure Custom Vision API-kkal kapcsolatban? A Custom Vision Service dokumentációja további információkat tartalmaz a Custom Vision webes portálról és az SDK-ról.

A modell exportálása az ONNX-be

Most, hogy betanítottuk a modellt, exportálhatjuk az ONNX-be.

1. Válassza ki a Performance lapot, majd a Export lehetőséget az exportálási ablak megnyitásához.

2. Válassza ki ONNX a modellt ONNX formátumba való exportáláshoz.

3. Szükség esetén kiválaszthatja az ONNX 16 lebegtetés lehetőséget, de ebben az oktatóanyagban nem kell módosítani a beállításokat. Válassza a Export and Downloadlehetőséget.

4. Nyissa meg a letöltött .zip fájlt, és bontsa ki belőle a model.onnx fájlt. Ez a fájl tartalmazza az osztályozómodellt.

Gratulálok! Sikeresen elkészítette és exportálta a besorolási modellt.

Következő lépések

Most, hogy rendelkezünk besorolási modellel, a következő lépés egy Windows-alkalmazás létrehozása és helyi futtatása a Windows-eszközön.