Melatih model Anda dengan Custom Vision

Pada tahap sebelumnya dari tutorial ini, kami membahas prasyarat pembuatan model dan aplikasi Windows Machine Learning Anda sendiri, dan mengunduh set gambar yang akan digunakan. Pada tahap ini, kita akan mempelajari cara menggunakan antarmuka Custom Vision berbasis web untuk mengubah gambar kita diatur menjadi model klasifikasi gambar.

Azure Custom Vision adalah layanan pengenalan gambar yang memungkinkan Anda membangun, menyebarkan, dan meningkatkan pengidentifikasi gambar Anda sendiri. Custom Vision Service tersedia sebagai sekumpulan SDK asli, serta melalui antarmuka berbasis web di situs web Custom Vision.

Membuat sumber daya dan proyek Custom Vision

Membuat sumber daya Custom Vision

Untuk menggunakan Custom Vision Service, Anda harus membuat sumber daya Custom Vision di Azure.

1. Navigasi ke halaman utama akun Azure Anda dan pilih Create a resource.

2. Dalam kotak pencarian, cari Custom Vision, dan Anda akan memasuki marketplace Azure. Pilih Create Custom Vision untuk membuka jendela dialog pada halaman Buat Visi Kustom.

3. Pada halaman dialog Visi Kustom, pilih yang berikut ini:

• Pilih sumber daya Training dan Prediction.
• Pilih langganan untuk mengelola sumber daya yang disebarkan. Jika Anda tidak melihat Langganan Azure Anda di menu, keluar dan buka kembali akun Azure Anda menggunakan kredensial yang sama dengan yang Anda buka akun Anda.
• Buat grup sumber daya baru dan beri nama. Dalam tutorial ini, kami telah memberi nama milik kami MLTraining, tetapi jangan ragu untuk memilih nama Anda sendiri atau menggunakan grup sumber daya yang sudah ada jika Anda memilikinya.
• Beri nama untuk proyek Anda. Dalam tutorial ini, kami telah memanggil kami classificationApp, tetapi Anda dapat menggunakan nama apa pun pilihan Anda.
• Untuk sumber daya Training dan sumber daya Prediction, atur lokasi sebagai (US) Timur AS, dan Tingkatan harga sebagai FO Gratis.

4. Tekan Review + create untuk menyebarkan sumber daya Custom Vision Anda. Mungkin perlu waktu beberapa menit untuk menyebarkan sumber daya Anda.

Membuat proyek baru dalam Custom Vision

Sekarang setelah Anda membuat sumber daya, saatnya untuk membuat proyek pelatihan Anda dalam Custom Vision.

1. Di browser web Anda, navigasikan ke halaman Custom Vision dan pilih Sign in. Masuk dengan akun yang sama dengan yang Anda gunakan untuk masuk ke Portal Microsoft Azure.

2. Pilih New Project untuk membuka dialog proyek baru.

3. Buat proyek baru sebagai berikut:

• Name: Klasifikasi Makanan.
• Description: Klasifikasi berbagai jenis makanan.
• Resource: pertahankan sumber daya yang sama dengan yang Anda buka sebelumnya - ClassificationApp [F0].
• Project Types: classification
• Classification Types: Multilabel (Multiple tags per image)
• Domains: . Food (compact)
• Export Capabilities: Basic platforms (Tensorflow, CoreML, ONNX, ...)

Nota

Untuk mengekspor ke format ONNX, pastikan Anda memilih Food (compact) domain. Domain yang tidak ringkas tidak dapat diekspor ke ONNX.

Penting

Jika akun masuk Anda dikaitkan dengan akun Azure, dropdown Grup Sumber Daya akan menampilkan semua Grup Sumber Daya Azure Anda yang menyertakan Sumber Daya Layanan Custom Vision. Jika tidak ada grup sumber daya yang tersedia, harap konfirmasikan bahwa Anda telah masuk ke customvision.ai dengan akun yang sama seperti yang Anda gunakan untuk masuk ke Portal Microsoft Azure.

4. Setelah Anda mengisi dialog, pilih Create project.

Mengunggah himpunan data pelatihan

Setelah membuat proyek, Anda akan mengunggah himpunan data gambar makanan yang disiapkan sebelumnya dari Kaggle Open Datasets.

1. Pilih proyek Anda FoodClassification untuk membuka antarmuka berbasis web situs web Custom Vision.

2. Pilih tombol Add images dan pilih Browse local files.

3. Navigasi ke lokasi himpunan data gambar dan pilih folder pelatihan – vegetable-fruit. Pilih semua gambar di folder, dan pilih open. Opsi pemberian tag akan terbuka.

4. Masukkan vegetable-fruit di My Tags bidang dan tekan Upload.

Tunggu hingga grup gambar pertama diunggah ke proyek Anda lalu tekan done. Pilihan tag akan diterapkan ke seluruh grup gambar yang telah Anda pilih untuk diunggah. Itulah sebabnya lebih mudah untuk mengunggah gambar dari grup gambar yang sudah dibuat sebelumnya. Anda selalu dapat mengubah tag untuk gambar individual setelah diunggah.

5. Setelah grup gambar pertama berhasil diunggah, ulangi proses dua kali lagi untuk mengunggah gambar makanan penutup dan sup. Pastikan Anda memberi label dengan tag yang relevan.

Pada akhirnya, Anda akan memiliki tiga kelompok gambar yang berbeda yang siap untuk pelatihan.

Melatih pengklasifikasi model

Anda sekarang akan melatih model untuk mengklasifikasikan sayuran, sup, dan makanan penutup dari serangkaian gambar yang Anda unduh di bagian sebelumnya.

1. Untuk memulai proses pelatihan, pilih tombol Train dari sudut kanan atas. Pengklasifikasi akan menggunakan gambar untuk membuat model yang mengidentifikasi kualitas visual setiap tag.

Ada opsi untuk mengubah ambang batas probabilitas menggunakan penggeser di sudut atas kiri. Ambang probabilitas menetapkan tingkat keyakinan yang perlu dimiliki prediksi agar dianggap benar. Jika ambang batas probabilitas terlalu tinggi, Anda akan mendapatkan klasifikasi yang lebih benar, tetapi lebih sedikit yang akan terdeteksi. Di sisi lain, jika ambang batas probabilitas terlalu rendah, Anda akan mendeteksi lebih banyak klasifikasi, tetapi dengan keyakinan yang lebih rendah atau lebih banyak hasil positif palsu.

Dalam tutorial ini, Anda dapat menyimpan ambang batas probabilitas pada 50%.

2. Kita akan menggunakan proses Quick Training. Advanced Training memiliki lebih banyak pengaturan, dan memungkinkan Anda untuk secara khusus mengatur waktu yang digunakan untuk pelatihan, tetapi kami tidak memerlukan tingkat kontrol tersebut di sini. Tekan Train untuk memulai proses pelatihan.

Proses pelatihan cepat hanya akan memakan waktu beberapa menit untuk diselesaikan. Selama waktu ini, informasi tentang proses pelatihan ditampilkan di tab Performance .

Evaluasi dan Uji

Evaluasi hasil

Setelah pelatihan selesai, Anda akan melihat ringkasan perulangan pelatihan pertama. Ini termasuk estimasi performa model - Presisi dan Recall.

• Presisi menunjukkan proporsi klasifikasi yang teridentifikasi dengan benar. Dalam model kami, presisi adalah 98,2%, jadi jika model kami mengklasifikasikan gambar, sangat mungkin diprediksi dengan benar.
• Recall menunjukkan proporsi klasifikasi aktual yang diidentifikasi dengan benar. Dalam model kami, tingkat daya ingat adalah 97,5%, sehingga model kami dengan benar mengklasifikasikan sebagian besar gambar yang diberikan kepadanya.
• AP adalah singkatan dari Performa Tambahan. Ini menyediakan metrik tambahan, yang meringkas presisi dan pengenalan pada ambang batas yang berbeda.

Menguji model

Sebelum mengekspor model, Anda dapat menguji performanya.

1. Pilih Quick Test di sudut kanan atas bilah menu atas, untuk membuka jendela pengujian baru.

Di jendela ini, Anda dapat memberikan URL gambar untuk diuji, atau memilih Browse local files untuk menggunakan gambar yang disimpan secara lokal.

2. Pilih Browse local files, navigasikan ke himpunan data makanan, dan buka folder validasi. Pilih gambar acak apa pun dari fruit-vegetable folder dan tekan open.

Hasil pengujian akan muncul di layar. Dalam pengujian kami, mode berhasil mengklasifikasikan gambar dengan kepastian 99,8%.

Anda dapat menggunakan prediksi untuk pelatihan di tab Predictions , yang dapat meningkatkan performa model. Untuk informasi selengkapnya, lihat Cara meningkatkan pengklasifikasi Anda.

Nota

Tertarik untuk mempelajari selengkapnya tentang API Azure Custom Vision? Dokumentasi Custom Vision Service memiliki informasi lebih lanjut tentang portal web Custom Vision dan SDK.

Mengekspor model ke ONNX

Sekarang setelah kita melatih model kita, kita dapat mengekspornya ke ONNX.

1. Pilih tab Performance , lalu pilih Export untuk membuka jendela ekspor.

2. Pilih ONNX untuk mengekspor model Anda ke format ONNX.

3. Anda dapat memilih ONNX 16 opsi float jika diperlukan, tetapi dalam tutorial ini kita tidak perlu mengubah pengaturan apa pun. Pilih Export and Download.

4. Buka file .zip yang diunduh dan ekstrak model.onnx file darinya. File ini memuat model pengklasifikasi Anda.

Selamat! Anda berhasil membangun dan mengekspor model klasifikasi.

Langkah Selanjutnya

Sekarang setelah kita memiliki model klasifikasi, langkah selanjutnya adalah membangun aplikasi Windows dan menjalankannya secara lokal di perangkat Windows Anda.