Notitie
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen u aan te melden of de directory te wijzigen.
Voor toegang tot deze pagina is autorisatie vereist. U kunt proberen de mappen te wijzigen.
In deze quickstart wordt uitgelegd hoe u de Custom Vision-webportal gebruikt om een afbeeldingsclassificatiemodel te maken. Wanneer u een model bouwt, kunt u het testen met nieuwe afbeeldingen en het ten slotte integreren in uw eigen app voor het herkennen van afbeeldingen.
Vereisten
- Een Azure-abonnement. U kunt een gratis account maken.
- Een set afbeeldingen om uw classificatiemodel te trainen. U kunt de reeks voorbeeldafbeeldingen op GitHub gebruiken. U kunt ook uw eigen afbeeldingen kiezen met behulp van de volgende tips.
- Een ondersteunde webbrowser.
Custom Vision-resources maken
Als u de Custom Vision-service wilt gebruiken, moet u Trainings- en voorspellingsresources voor Custom Vision maken in Azure. Gebruik in Azure Portal de pagina Custom Vision maken om zowel een trainingsresource als een voorspellingsresource te maken.
Een nieuw project maken
Navigeer naar de Custom Vision-webpagina en meld u aan met hetzelfde account dat u hebt gebruikt om u aan te melden bij Azure Portal.
Selecteer Nieuw project om uw eerste project te maken. Het dialoogvenster Nieuw project maken wordt weergegeven.
Voer een naam en een beschrijving voor het project in. Selecteer vervolgens uw Custom Vision-trainingsresource. Als uw aangemelde account is gekoppeld aan een Azure-account, worden in de vervolgkeuzelijst Resources al uw compatibele Azure-resources weergegeven.
Notitie
Als er geen resource beschikbaar is, controleert u of u bent aangemeld bij customvision.ai met hetzelfde account dat u hebt gebruikt om u aan te melden bij Azure Portal. Controleer ook of u dezelfde map hebt geselecteerd op de Custom Vision-website als de map in Azure Portal waar uw Custom Vision-resources zich bevinden. Op beide sites kunt u uw map selecteren in het vervolgkeuzemenu van het account in de rechterbovenhoek van het scherm.
Selecteer Classificatie onder Projecttypen. Kies onder Classificatietypen de optie Meerdere labels of Meerdere klassen, afhankelijk van uw gebruikstoepassing. Classificatie met meerdere labels past een willekeurig aantal tags toe op een afbeelding (nul of meer), terwijl met classificatie met meerdere klassen afbeeldingen worden gesorteerd in één categorie (elke afbeelding die u verzendt, wordt gesorteerd op de meest waarschijnlijke tag). U kunt desgewenst het classificatietype later wijzigen.
Selecteer vervolgens een van de beschikbare domeinen. Elk domein optimaliseert het model voor specifieke typen afbeeldingen, zoals beschreven in de volgende tabel. U kunt het domein desgewenst wijzigen.
Domein Doel Algemeen Geoptimaliseerd voor een breed scala aan afbeeldingsclassificatietaken. Als geen van de andere domeinen geschikt is, of als u niet zeker weet welk domein u moet kiezen, selecteert u het domein Algemeen. Voedsel Geoptimaliseerd voor foto's van gerechten zoals op de menukaart van een restaurant. Gebruik het domein Voedsel als u foto's van afzonderlijke soorten fruit of groenten wilt classificeren. Bezienswaardigheden Geoptimaliseerd voor herkenbare oriëntatiepunten, zowel natuurlijke als kunstmatige. Dit domein werkt het beste wanneer het oriëntatiepunt duidelijk te zien is in de foto. Dit domein werkt ook als het oriëntatiepunt slechts gedeeltelijk zichtbaar is omdat er mensen voor staan. Handel Geoptimaliseerd voor afbeeldingen zoals die te vinden zijn in de catalogus of op de website van een winkel. Gebruik dit domein voor een nauwkeurige classificatie van kleding, zoals jurken, broeken en shirts. Compacte domeinen Geoptimaliseerd voor de beperkingen van classificatie in realtime op mobiele apparaten. De modellen die door compacte domeinen worden gegenereerd, kunnen worden geëxporteerd om lokaal te worden uitgevoerd. Selecteer als laatste stap Project maken.
Trainingsafbeeldingen kiezen
U moet minimaal 30 afbeeldingen per tag gebruiken in de eerste trainingsset. U moet ook enkele extra afbeeldingen verzamelen om uw model te testen nadat het is getraind.
Gebruik afbeeldingen met optische variaties om uw model effectief te kunnen trainen. Selecteer afbeeldingen die verschillen in:
- camerahoek
- verlichting
- achtergrond
- visuele stijl
- afzonderlijke/gegroepeerde onderwerpen
- grootte
- soort
Zorg er bovendien voor dat al uw trainingsafbeeldingen aan de volgende criteria voldoen:
- De indeling moet .jpg, .png, .bmp of .gif zijn.
- niet groter dan 6 MB in grootte (4 MB voor voorspellingsafbeeldingen)
- niet minder dan 256 pixels op de kortste rand; afbeeldingen die korter zijn dan 256 pixels, worden automatisch omhoog geschaald door de Custom Vision-service
Afbeeldingen uploaden en labelen
U kunt afbeeldingen uploaden en handmatig taggen om de classificatie te trainen.
Als u afbeeldingen wilt toevoegen, selecteert u Afbeeldingen toevoegen en selecteert u Lokale bestanden bladeren. Selecteer Openen om naar tags te gaan. Uw tagselectie wordt toegepast op de hele groep afbeeldingen die u uploadt, zodat het eenvoudiger is om afbeeldingen in afzonderlijke groepen te uploaden op basis van hun toegepaste tags. U kunt ook de tags voor afzonderlijke afbeeldingen wijzigen nadat ze zijn geüpload.
Als u een tag wilt maken, voert u tekst in het veld Mijn tags in en drukt u op Enter. Als de tag al bestaat, wordt deze weergegeven in een vervolgkeuzelijst. In een project met meerdere labels kunt u meer dan één tag toevoegen aan uw afbeeldingen, maar in een project met meerdere klassen kunt u slechts één tag toevoegen. Als u het uploaden van de afbeeldingen wilt voltooien, gebruikt u de knop [aantal] bestanden uploaden.
Selecteer Gereed zodra de afbeeldingen zijn geüpload.
Als u nog een andere reeks afbeeldingen wilt uploaden, gaat u terug naar het begin van deze sectie en voert u de stappen nogmaals uit.
De classificator trainen
Als u de classificatie wilt trainen, selecteert u de knop Trainen. De classificatie maakt gebruik van alle huidige afbeeldingen om een model te maken waarmee de visuele kenmerken van elke tag worden geïdentificeerd. Dit proces kan enkele minuten duren.
Het trainingsproces duurt normaliter slechts enkele minuten. Gedurende deze periode wordt informatie over het trainingsproces weergegeven op het tabblad Prestaties.
De classificatie evalueren
Nadat de training is voltooid, worden de prestaties van het model geschat en weergegeven. De Custom Vision-service gebruikt de afbeeldingen die u hebt verzonden voor het trainen om precisie en herinnering te berekenen. Precisie en terugroepingsvermogen zijn twee verschillende metingen van de effectiviteit van een classificeerder:
- Precisie: hiermee wordt de fractie correct geïdentificeerde classificaties aangegeven. Als het model bijvoorbeeld 100 afbeeldingen heeft geïdentificeerd als honden en 99 van de afbeeldingen zijn daadwerkelijk van honden, dan is de precisie 99%.
- Recall geeft aan welk deel van de feitelijke classificaties correct is geïdentificeerd. Als er bijvoorbeeld echt 100 afbeeldingen van appels zijn en het model er 80 als appels heeft geïdentificeerd, zou de recall 80% zijn.
Drempelwaarde voor waarschijnlijkheid
Let op de schuifregelaar Waarschijnlijkheidsdrempel in het linkerdeelvenster van het tabblad Prestaties. Dit is het niveau van vertrouwen dat een voorspelling moet hebben om als correct te worden beschouwd (voor de berekening van precisie en herinnering).
Wanneer u voorspellingsoproepen met een hoge drempelwaarde interpreteert, retourneren ze meestal resultaten met hoge precisie ten koste van de terugroepwaarde. De gedetecteerde classificaties zijn juist, maar veel blijven ongedetecteerd. Een lage waarschijnlijkheidsdrempel doet het tegenovergestelde: de meeste werkelijke classificaties worden gedetecteerd, maar er zijn meer vals positieven binnen die set. U dient de waarschijnlijkheidsdrempelwaarde dus in te stellen op basis van de specifieke behoeften voor uw project. Later, wanneer u voorspellingen aan de clientzijde ontvangt, dient u dezelfde waarschijnlijkheidsdrempelwaarde te gebruiken als u hier hebt gedaan.
Trainingsiteraties beheren
Telkens wanneer u uw classificatie traint, maakt u een nieuwe iteratie met bijgewerkte prestatiegegevens. U kunt al uw iteraties weergeven in het linkerdeelvenster van het tabblad Prestaties . U vindt ook de knop Verwijderen , die u kunt gebruiken om een iteratie te verwijderen als deze verouderd is. Wanneer u een iteratie verwijdert, verwijdert u alle afbeeldingen die er uniek aan zijn gekoppeld.
Zie De voorspellings-API aanroepen voor meer informatie over het programmatisch openen van uw getrainde modellen.
Volgende stap
In deze quickstart hebt u geleerd hoe u een afbeeldingsclassificatiemodel maakt en traint met behulp van de Custom Vision-webportal. U kunt nog meer informatie downloaden over het iteratieve proces om uw model te verbeteren.