Uw model trainen met Custom Vision

In de vorige fase van deze zelfstudie hebben we de vereisten besproken voor het maken van uw eigen Windows Machine Learning-model en -app en een afbeeldingset gedownload om te gebruiken. In deze fase leren we hoe we de webgebaseerde interface van Custom Vision kunnen gebruiken om onze afbeeldingset te transformeren tot een afbeeldingsclassificatiemodel.

Azure Custom Vision is een service voor beeldherkenning waarmee u uw eigen beeldherkenningsmodellen kunt bouwen, implementeren en verbeteren. Custom Vision Service is beschikbaar als een set systeemeigen SDK's, evenals via een webinterface op de Custom Vision-website.

Maak aangepaste Vision-resources en een project

Custom Vision-resource maken

Als u de Custom Vision Service wilt gebruiken, moet u Custom Vision-resources maken in Azure.

1. Navigeer naar de hoofdpagina van uw Azure-account en selecteer Create a resource.

2. Zoek in het zoekvak naar Custom Vision om de Azure Marketplace te openen. Klik op Create Custom Vision om het dialoogvenster te openen op de pagina Aangepaste Vision maken.

3. Kies het volgende op de dialoogvensterpagina van Custom Vision:

• Selecteer zowel Training als Prediction bronnen.
• Selecteer het abonnement om geïmplementeerde resources te beheren. Als u uw Azure-abonnement niet in het menu ziet, meldt u zich af en opent u uw Azure-account opnieuw met dezelfde referenties waarmee u uw account hebt geopend.
• Maak een nieuwe resourcegroep en geef deze een naam. In deze zelfstudie noemen we de onze MLTraining, maar u kunt gerust uw eigen naam kiezen of de bestaande resourcegroep gebruiken als u er een heeft.
• Geef uw project een naam. In deze zelfstudie hebben we de onze classificationApp genoemd, maar kun je elke gewenste naam gebruiken.
• Voor zowel Training- als Prediction-bronnen stelt u de locatie in als (VS) East US, en Prijsniveau als Gratis FO.

4. Druk Review + create om uw Custom Vision-resources te implementeren. Het kan enkele minuten duren voordat uw resources zijn geïmplementeerd.

Een nieuw project maken in Custom Vision

Nu u uw resource hebt gemaakt, is het tijd om uw trainingsproject in Custom Vision te maken.

1. Navigeer in uw webbrowser naar de Custom Vision-pagina en selecteer Sign in. Meld u aan met hetzelfde account dat u hebt gebruikt om u aan te melden bij Azure Portal.

2. Selecteer New Project deze optie om een nieuw projectdialoogvenster te openen.

3. Maak als volgt een nieuw project:

• Name: Voedselclassificatie.
• Description: Classificatie van verschillende soorten voedsel.
• Resource: dezelfde resource behouden die u eerder hebt geopend – ClassificationApp [F0].
• Project Types: classification
• Classification Types: Multilabel (Multiple tags per image)
• Domains: . Food (compact)
• Export Capabilities: Basic platforms (Tensorflow, CoreML, ONNX, ...)

Opmerking

Als u wilt exporteren naar de ONNX-indeling, moet u ervoor zorgen dat u het Food (compact) domein kiest. Niet-compacte domeinen kunnen niet worden geëxporteerd naar ONNX.

Belangrijk

Als uw aangemelde account is gekoppeld aan een Azure-account, worden in de vervolgkeuzelijst Resourcegroep al uw Azure-resourcegroepen weergegeven die een Custom Vision Service-resource bevatten. Als er geen resourcegroep beschikbaar is, controleert u of u zich hebt aangemeld bij customvision.ai met hetzelfde account als dat u hebt gebruikt om u aan te melden bij Azure Portal.

4. Nadat u het dialoogvenster hebt ingevuld, selecteert u Create project.

De dataset met trainingsgegevens uploaden

Nu u uw project hebt gemaakt, uploadt u een eerder voorbereide gegevensset met afbeeldingen van voedsel uit Kaggle Open Datasets.

1. Selecteer uw FoodClassification project om de webinterface van de Custom Vision-website te openen.

2. Selecteer de Add images knop en kies Browse local files.

3. Navigeer naar de locatie van de afbeeldingsgegevensset en selecteer de trainingsmap . vegetable-fruit Selecteer alle afbeeldingen in de map en selecteer open. De optie voor het taggen wordt geopend.

4. Voer vegetable-fruit het My Tags veld in en druk op Upload.

Wacht tot de eerste groep afbeeldingen naar uw project zijn geüpload en druk doneop . De tagselectie wordt toegepast op de hele groep afbeeldingen die u hebt geselecteerd om te uploaden. Daarom is het eenvoudiger om afbeeldingen te uploaden vanuit al vooraf gebouwde groepen afbeeldingen. U kunt de tags voor afzonderlijke afbeeldingen altijd wijzigen nadat ze zijn geüpload.

5. Nadat de eerste groep afbeeldingen is geüpload, herhaalt u het proces nog twee keer om de afbeeldingen van dessert en soep te uploaden. Zorg ervoor dat u ze labelt met de relevante tags.

Aan het einde hebt u drie verschillende groepen afbeeldingen die klaar zijn voor training.

Het modelclassificeerder trainen

U gaat het model nu trainen om de groenten, soep en desserts te classificeren op basis van de set afbeeldingen die u in het vorige deel hebt gedownload.

1. Als u het trainingsproces wilt starten, selecteert u de Train knop in de rechterbovenhoek. De classificatie gebruikt de afbeeldingen om een model te maken dat de visuele kwaliteiten van elke tag identificeert.

Er is een optie om de waarschijnlijkheidsdrempel te wijzigen met behulp van de schuifregelaar in de linkerbovenhoek. De waarschijnlijkheidsdrempel bepaalt het betrouwbaarheidsniveau dat een voorspelling moet hebben om als correct te worden beschouwd. Als de waarschijnlijkheidsdrempel te hoog is, krijgt u een juistere classificatie, maar wordt er minder gedetecteerd. Als de waarschijnlijkheidsdrempel daarentegen te laag is, detecteert u veel meer classificaties, maar met een lager vertrouwen of meer fout-positieve resultaten.

In deze handleiding kunt u de waarschijnlijkheidsdrempel op 50%houden.

2. Hier gebruiken we het Quick Training proces. Advanced Training heeft meer instellingen en stelt u in staat om specifiek de tijd in te stellen die wordt gebruikt voor training, maar we hebben dat controleniveau hier niet nodig. Druk Train om het trainingsproces te starten.

Het voltooien van een snel trainingsproces duurt slechts enkele minuten. Gedurende deze tijd wordt informatie over het trainingsproces weergegeven op het Performance tabblad.

Evalueren en testen

De resultaten evalueren

Zodra de training is voltooid, ziet u de samenvatting van de eerste trainingsiteratie. Het bevat de schatting van de modelprestaties: precisie en ophaal.

• Precisie: hiermee wordt de fractie correct geïdentificeerde classificaties aangegeven. In ons model is precisie 98,2%, dus als ons model een afbeelding classificeert, is de kans groot dat deze correct wordt voorspeld.
• Recall geeft aan welk deel van de feitelijke classificaties correct is geïdentificeerd. In ons model is de herinnering 97,5%, dus classificeert ons model de overgrote meerderheid van de afbeeldingen die eraan worden gepresenteerd correct.
• AP staat voor Aanvullende prestaties. Dit biedt een extra metriek die de precisie en terugroepkracht bij verschillende drempelwaarden samenvat.

Het model testen

Voordat u het model exporteert, kunt u de prestaties testen.

1. Selecteer Quick Test in de rechterbovenhoek van de bovenste menubalk om een nieuw testvenster te openen.

In dit venster kunt u een URL van de afbeelding opgeven die u wilt testen, of Browse local files selecteren om een lokaal opgeslagen afbeelding te gebruiken.

2. Kies Browse local files, navigeer naar de voedselgegevensset en open een map voor validatie. Kies een willekeurige afbeelding in de fruit-vegetable map en druk op open.

Het resultaat van de test wordt weergegeven op het scherm. In onze test classificeerde het model de afbeelding met 99,8% zekerheid.

U kunt de voorspelling gebruiken voor training op het Predictions tabblad, waardoor de modelprestaties kunnen worden verbeterd. Zie Hoe u uw classificatie kunt verbeteren voor meer informatie.

Opmerking

Bent u geïnteresseerd in meer informatie over Azure Custom Vision-API's? De documentatie van Custom Vision Service bevat meer informatie over de Custom Vision-webportal en SDK.

Het model exporteren naar ONNX

Nu we ons model hebben getraind, kunnen we het exporteren naar ONNX.

1. Selecteer het Performance tabblad en kies vervolgens Export om een exportvenster te openen.

2. Selecteer ONNX deze optie om uw model te exporteren naar de ONNX-indeling.

3. U kunt indien nodig de ONNX 16 float-optie kiezen, maar in deze zelfstudie hoeven we geen instellingen te wijzigen. Selecteer Export and Download.

4. Open het gedownloade .zip-bestand en pak het model.onnx bestand uit. Dit bestand bevat uw classificatiemodel.

Gefeliciteerd! U hebt het classificatiemodel gebouwd en geëxporteerd.

Volgende stappen

Nu we een classificatiemodel hebben, is de volgende stap het bouwen van een Windows-toepassing en het lokaal uitvoeren op uw Windows-apparaat.