Melatih model klasifikasi gambar di Azure menggunakan Model Builder

2024-12-21

Pelajari cara melatih model klasifikasi gambar di Azure menggunakan Model Builder untuk mengategorikan penggunaan lahan dari gambar satelit.

Tutorial ini menunjukkan kepada Anda cara membuat pustaka kelas C# untuk mengategorikan penggunaan lahan berdasarkan citra satelit dengan Model Builder.

Dalam tutorial ini, Anda:

Menyiapkan dan memahami data
Membuat file konfigurasi Model Builder
Pilih skenario
Memuat data
Membuat eksperimen di Azure
Melatih model
Mengevaluasi model
Memanfaatkan model

Prasyarat

Untuk daftar prasyarat dan instruksi penginstalan, kunjungi panduan penginstalan Model Builder.
Akun Azure. Jika Anda tidak memilikinya, membuat akun Azure gratis.
ASP.NET dan beban kerja pengembangan web.

Gambaran Umum Klasifikasi Gambar Model Builder

Sampel ini membuat pustaka kelas C# yang mengategorikan penggunaan lahan dari citra satelit peta menggunakan model pembelajaran mendalam yang dilatih di Azure dengan Model Builder. Anda dapat menemukan kode sumber untuk tutorial ini di dotnet/machinelearning-samples repositori GitHub

Membuat Pustaka Kelas C#

Buat Pustaka Kelas C# yang disebut "LandUse".

Menyiapkan dan memahami data

Nota

Data untuk tutorial ini berasal dari:

Eurosat: Himpunan data baru dan tolok ukur pembelajaran mendalam untuk penggunaan lahan dan klasifikasi penutupan lahan. Patrick Helber, Benjamin Bischke, Andreas Dengel, Damian Borth. Jurnal IEEE tentang Topik Terpilih dalam Pengamatan Bumi Terapan dan Penginderaan Jauh, 2019.
Memperkenalkan EuroSAT: Himpunan Data Novel dan Tolok Ukur Pembelajaran Mendalam untuk Penggunaan Lahan dan Klasifikasi Penutupan Lahan. Patrick Helber, Benjamin Bischke, Andreas Dengel. 2018 IEEE International Geoscience dan Remote Sensing Symposium, 2018.

Himpunan data EuroSAT berisi kumpulan gambar satelit yang dibagi menjadi sepuluh kategori (pedesaan, industri, sungai, dll.). Himpunan data asli berisi 27.000 gambar. Untuk kenyamanan, tutorial ini hanya menggunakan 2.000 gambar tersebut.

Himpunan Data

Unduh subset himpunan data EuroSAT dan simpan di mana saja di komputer Anda.
Ekstrak file zip tersebut.

Membuat file konfigurasi Model Builder

Saat pertama kali menambahkan Model Builder ke solusi, ia akan meminta Anda untuk membuat file mbconfig. File mbconfig melacak semua yang Anda lakukan di Model Builder untuk memungkinkan Anda membuka kembali sesi.

Di Penjelajah Solusi, klik kanan proyek LandUse, dan pilih Tambahkan Model Pembelajaran Mesin .
Dalam dialog, beri nama proyek Model Builder LandUse, dan klik Tambahkan.

Pilih skenario

Layar Skenario Pembuat Model

Untuk melatih model, Anda perlu memilih dari daftar skenario pembelajaran mesin yang tersedia yang disediakan oleh Model Builder.

Untuk sampel ini, tugasnya adalah klasifikasi gambar. Dalam langkah skenario alat Pembuat Model, pilih skenario Klasifikasi Gambar.

Pilih lingkungan

Pembuat Model dapat menjalankan pelatihan pada lingkungan yang berbeda tergantung pada skenario yang dipilih.

Pilih Azure sebagai lingkungan Anda dan klik tombol Siapkan ruang kerja.

Membuat eksperimen di Azure

Eksperimen Azure Machine Learning adalah sumber daya yang perlu dibuat sebelum menjalankan pelatihan Model Builder di Azure.

Eksperimen ini merangkum konfigurasi dan hasil untuk satu atau beberapa eksekusi pelatihan pembelajaran mesin. Eksperimen milik ruang kerja tertentu. Pertama kali eksperimen dibuat, namanya terdaftar di ruang kerja. Setiap eksekusi berikutnya - jika nama eksperimen yang sama digunakan - dicatat sebagai bagian dari eksperimen yang sama. Jika tidak, eksperimen baru dibuat.

Dalam dialog Buat Eksperimen Baru, pilih langganan Anda dari daftar dropdown Langganan.

Membuat ruang kerja

Ruang kerja adalah sumber daya Azure Machine Learning yang menyediakan tempat terpusat untuk semua sumber daya dan artefak Azure Machine Learning yang dibuat sebagai bagian dari pelatihan yang dijalankan.

Dalam dialog Membuat Eksperimen Baru, pilih tautan Baru di samping dropdown nama Machine Learning Workspace.
Dalam dialog Buat Ruang Kerja Baru, ketik "landuse-wkspc" di kotak teks Nama Ruang Kerja Pembelajaran Mesin.
Pilih US Timur dari dropdown Wilayah . Wilayah adalah lokasi geografis pusat data tempat ruang kerja dan sumber daya Anda disebarkan. Disarankan agar Anda memilih lokasi yang dekat dengan tempat Anda atau pelanggan Anda berada.
Pilih tautan New di samping menu dropdown Grup Sumber Daya.
1. Dalam dialog Buat Grup Sumber Daya Baru, ketik "landuse-rg" di kotak teks nama Grup Sumber Daya .
2. Pilih OK.
Pilih grup sumber daya yang baru dibuat dari menu dropdown Grup Sumber Daya .
Pilih Buat.

Proses provisi membutuhkan waktu beberapa menit. Permintaan dibuat ke Azure untuk menyediakan sumber daya cloud berikut:
- Ruang kerja Azure Machine Learning
- Akun Penyimpanan Azure
- Azure Application Insights
- Azure Container Registry
- Azure Key Vault
Setelah proses provisi selesai, pilih ruang kerja yang baru dibuat dari nama Ruang Kerja Pembelajaran Mesin dropdown dalam dialog Buat Eksperimen Baru.

Membuat komputasi

Komputasi Azure Machine Learning adalah VM Linux berbasis cloud yang digunakan untuk pelatihan.

Dalam dialog Buat Eksperimen Baru, pilih tautan New di samping menu dropdown Compute name.
Dalam dialog Buat Komputasi Baru, ketik "landuse-cpt" di dalam kotak teks Nama Komputasi .
Pilih Standard_NC24 dari menu dropdown Ukuran komputasi. Model Builder menggunakan jenis komputasi yang dioptimalkan GPU. Kunjungi dokumentasi VM Linux seri NC untuk detail selengkapnya tentang jenis komputasi yang dioptimalkan GPU.
Pilih Buat. Sumber daya komputasi mungkin memerlukan waktu beberapa menit sebelum tersedia.
Setelah proses provisi selesai, pilih ruang kerja yang baru dibuat dari menu dropdown Nama komputasi di dialog Buat Eksperimen Baru.
Pilih tombol langkah berikutnya untuk memuat data.

Memuat data

Di langkah data alat Pembuat Model, pilih tombol di samping kotak teks Pilih folder.
Gunakan File Explorer untuk menelusuri dan memilih direktori yang tidak di-zip yang berisi gambar.
Pilih tombol Langkah berikutnya untuk berpindah ke langkah berikutnya di alat Pembuat Model.

Melatih model

Pelatihan di Azure hanya tersedia untuk skenario klasifikasi gambar Model Builder. Algoritma yang digunakan untuk melatih model ini adalah Jaringan Neural Dalam berdasarkan arsitektur ResNet50. Selama proses pelatihan model, Model Builder melatih model terpisah menggunakan algoritma dan pengaturan ResNet50 untuk menemukan model berkinerja terbaik untuk himpunan data Anda.

Mulai pelatihan

Setelah Mengonfigurasi ruang kerja dan jenis komputasi, saatnya untuk menyelesaikan pembuatan eksperimen dan memulai pelatihan.

Klik tombol Mulai Pelatihan.

Proses pelatihan membutuhkan waktu dan jumlah waktu dapat bervariasi tergantung pada ukuran komputasi yang dipilih serta jumlah data. Saat pertama kali model dilatih, Anda dapat mengharapkan waktu pelatihan yang sedikit lebih lama karena sumber daya harus disediakan. Anda dapat melacak kemajuan eksekusi Anda dengan memilih tautan Memantau eksekusi saat ini di portal Microsoft Azure di Visual Studio.

Sepanjang proses pelatihan, data kemajuan ditampilkan di bagian Kemajuan dari langkah pelatihan.
- Status menampilkan status penyelesaian proses pelatihan.
- Akurasi terbaik menampilkan akurasi model berkinerja terbaik yang ditemukan oleh Model Builder sejauh ini. Akurasi yang lebih tinggi berarti model diprediksi lebih benar pada data pengujian.
- Algoritma menampilkan nama algoritma dengan kinerja terbaik yang ditemukan oleh Model Builder sejauh ini.
Setelah pelatihan selesai, pilih tombol Langkah berikutnya untuk berpindah mengevaluasi model.

Mengevaluasi model

Hasil dari langkah pelatihan adalah salah satu model yang memiliki performa terbaik. Dalam langkah evaluasi alat Pembuat Model, tab Detail di bagian output, akan berisi algoritma yang digunakan oleh model dengan performa terbaik dalam entri Algoritma bersama dengan metrik dalam entri Akurasi dalam detail model terbaik .

Jika Anda tidak puas dengan metrik akurasi Anda, beberapa cara mudah untuk mencoba dan meningkatkan akurasi model adalah dengan menggunakan lebih banyak data atau menambah data yang ada. Jika tidak, pilih tombol Langkah berikutnya untuk berpindah ke langkah terakhir di alat Pembuat Model.

(Opsional) Mengonsumsi model

Langkah ini akan memiliki templat proyek yang dapat Anda gunakan untuk menggunakan model. Langkah ini bersifat opsional dan Anda dapat memilih metode yang paling sesuai dengan kebutuhan Anda tentang cara melayani model.

Aplikasi Konsol
Web API

Aplikasi Konsol

Saat menambahkan aplikasi konsol ke solusi, Anda akan diminta untuk memberi nama proyek.

Beri nama proyek konsol LandUse_Console.
Klik Tambahkan ke solusi untuk menambahkan proyek ke solusi Anda saat ini.

Jalankan aplikasi.

Output yang dihasilkan oleh program akan terlihat mirip dengan cuplikan di bawah ini:

Predicted Label value: AnnualCrop

Predicted Label scores: [0.9941197,3.3146807E-06,4.4344174E-06,0.000101028825,7.763133E-06,0.0015898133,0.0040994748,1.6308518E-06,6.265567E-05,1.0236401E-05]

Web API

Saat menambahkan API web ke solusi Anda, Anda akan diminta untuk memberi nama proyek.

Beri nama proyek API Web LandUse_API.
Klik Tambahkan ke solusi untuk menambahkan proyek ke solusi Anda saat ini.
Jalankan aplikasi.

Buka PowerShell dan masukkan kode berikut di mana PORT adalah port yang didengarkan aplikasi Anda.

$body = @{
     ImageSource = <Image location on your local machine>
}

 Invoke-RestMethod "https://localhost:<PORT>/predict" -Method Post -Body ($body | ConvertTo-Json) -ContentType "application/json"

Jika berhasil, output akan terlihat mirip dengan teks di bawah ini.

output1                                           prediction score
-------                                           ---------- -----
{9.508701, -3.1025503, -2.8115153, 0.31449434...} AnnualCrop {0.9941197, 3.3146807E-06, 4.4344174E-06, 0.00010102882...

Membersihkan sumber daya

Jika Anda tidak lagi berencana menggunakan sumber daya Azure yang Anda buat, hapus sumber daya tersebut. Ini mencegah Anda ditagih untuk sumber daya yang tidak digunakan yang masih aktif.

Navigasikan ke portal Microsoft Azure dan pilih grup sumber daya di menu portal.
Dari daftar grup sumber daya, pilih grup sumber daya yang Anda buat. Dalam hal ini, itu adalah "landuse-rg".
Pilih Hapus grup sumber daya.
Ketik nama grup sumber daya, "landuse-rg", ke dalam kotak teks lalu pilih Masukkan.

Langkah berikutnya

Dalam tutorial ini Anda mempelajari cara:

Menyiapkan dan memahami data
Membuat file konfigurasi Model Builder
Pilih skenario
Memuat data
Membuat eksperimen di Azure
Melatih model
Evaluasi model
Mengonsumsi model

Coba salah satu skenario Pembuat Model lainnya:

Bagikan melalui