Guia de início rápido: criar um modelo de classificação de imagem com o portal Visão Personalizada
Neste guia de início rápido, você aprenderá a usar o portal da Web Visão Personalizada para criar um modelo de classificação de imagem. Depois de construir um modelo, você pode testá-lo com novas imagens e, eventualmente, integrá-lo em seu próprio aplicativo de reconhecimento de imagem.
Se não tiver uma subscrição do Azure, crie uma conta gratuita antes de começar.
Pré-requisitos
- Um conjunto de imagens com as quais treinar seu modelo de classificação. Você pode usar o conjunto de imagens de exemplo no GitHub. Ou, você pode escolher suas próprias imagens usando as dicas abaixo.
- Um navegador da Web compatível
Criar recursos de Visão Personalizada
Para usar o Serviço de Visão Personalizada, você precisará criar recursos de Treinamento e Previsão de Visão Personalizada no Azure. Para fazer isso no portal do Azure, preencha a janela de diálogo na página Criar Visão Personalizada para criar um recurso de Treinamento e Previsão.
Criar um novo projeto
No navegador da Web, navegue até a página da Web Visão Personalizada e selecione Entrar. Entre com a mesma conta que você usou para entrar no portal do Azure.
Para criar seu primeiro projeto, selecione Novo projeto. A caixa de diálogo Criar novo projeto é exibida.
Insira um nome e uma descrição para o projeto. Em seguida, selecione seu recurso de treinamento de visão personalizada. Se sua conta conectada estiver associada a uma conta do Azure, a lista suspensa Recurso exibirá todos os seus recursos compatíveis do Azure.
Nota
Se nenhum recurso estiver disponível, confirme que iniciou sessão no customvision.ai com a mesma conta que utilizou para iniciar sessão no portal do Azure. Além disso, confirme que selecionou o mesmo "Diretório" no site da Visão Personalizada que o diretório no portal do Azure onde seus recursos da Visão Personalizada estão localizados. Em ambos os sites, você pode selecionar seu diretório no menu suspenso da conta no canto superior direito da tela.
Selecione Classificação em Tipos de projeto. Em seguida, em Tipos de classificação, escolha Multilabel ou Multiclass, dependendo do seu caso de uso. A classificação multilabel aplica qualquer número de suas tags a uma imagem (zero ou mais), enquanto a classificação multiclasse classifica as imagens em categorias únicas (cada imagem enviada será classificada na tag mais provável). Você poderá alterar o tipo de classificação mais tarde, se desejar.
Em seguida, selecione um dos domínios disponíveis. Cada domínio otimiza o modelo para tipos específicos de imagens, conforme descrito na tabela a seguir. Você pode alterar o domínio mais tarde, se desejar.
Domínio Propósito Genéricos Otimizado para uma ampla gama de tarefas de classificação de imagens. Se nenhum dos outros domínios for apropriado ou se você não tiver certeza de qual domínio escolher, selecione o domínio Genérico. Alimentação Otimizado para fotografias de pratos como você os veria em um menu de restaurante. Se quiser classificar fotografias de frutas ou vegetais individuais, use o domínio Alimentos. Lugares de destaque Otimizado para pontos de referência reconhecíveis, tanto naturais como artificiais. Este domínio funciona melhor quando o marco é claramente visível na fotografia. Este domínio funciona mesmo que o marco esteja ligeiramente obstruído por pessoas à sua frente. Retail Otimizado para imagens encontradas em um catálogo de compras ou site de compras. Se você quer classificação de alta precisão entre vestidos, calças e camisas, use este domínio. Domínios compactos Otimizado para as restrições de classificação em tempo real em dispositivos móveis. Os modelos gerados por domínios compactos podem ser exportados para serem executados localmente. Por fim, selecione Criar projeto.
Escolha imagens de treinamento
No mínimo, recomendamos que você use pelo menos 30 imagens por tag no conjunto de treinamento inicial. Você também vai querer coletar algumas imagens extras para testar seu modelo depois que ele for treinado.
Para treinar o seu modelo de forma eficaz, use imagens com variedade visual. Selecione imagens que variam por:
- ângulo da câmara
- iluminação
- Contexto geral
- estilo visual
- sujeito(s) individual(ais/agrupado(s)
- size
- tipo
Além disso, certifique-se de que todas as suas imagens de treinamento atendam aos seguintes critérios:
- .jpg, .png, .bmp ou formato .gif
- não superior a 6MB de tamanho (4MB para imagens de previsão)
- não menos de 256 pixels na borda mais curta; quaisquer imagens mais curtas do que isso serão automaticamente ampliadas pelo Serviço de Visão Personalizada
Carregar e etiquetar imagens
Nesta seção, você carrega e marca imagens manualmente para ajudar a treinar o classificador.
Para adicionar imagens, selecione Adicionar imagens e, em seguida, selecione Procurar ficheiros locais. Selecione Abrir para passar para a marcação. A sua seleção de etiquetas é aplicada a todo o grupo de imagens que selecionou para carregar, pelo que é mais fácil carregar imagens em grupos separados de acordo com as respetivas etiquetas aplicadas. Também pode alterar as etiquetas de imagens individuais depois de serem carregadas.
Para criar uma etiqueta, introduza texto no campo As minhas etiquetas e prima Enter. Se a tag já existir, ela aparecerá em um menu suspenso. Em um projeto multilabel, você pode adicionar mais de uma tag às suas imagens, mas em um projeto multiclasse você pode adicionar apenas uma. Para concluir o upload das imagens, use o botão Carregar [número] arquivos .
Selecione Concluído assim que as imagens forem carregadas.
Para carregar outro conjunto de imagens, volte ao topo desta secção e repita os passos.
Preparar o classificador
Para treinar o classificador, selecione o botão Trem . O classificador usa todas as imagens atuais para criar um modelo que identifica as qualidades visuais de cada tag. Este processo pode demorar vários minutos.
O processo de treinamento deve levar apenas alguns minutos. Durante esse período, as informações sobre o processo de treinamento são exibidas na guia Desempenho .
Avaliar o classificador
Após a conclusão do treinamento, o desempenho do modelo é estimado e exibido. O Serviço de Visão Personalizada usa as imagens enviadas para treinamento para calcular a precisão e a recuperação. Precisão e recall são duas medidas diferentes da eficácia de um classificador:
- A precisão indica a fração de classificações identificadas que estavam corretas. Por exemplo, se o modelo identificasse 100 imagens como cães, e 99 delas fossem realmente de cães, então a precisão seria de 99%.
- Recall indica a fração de classificações reais que foram corretamente identificadas. Por exemplo, se houvesse realmente 100 imagens de maçãs, e o modelo identificasse 80 como maçãs, o recall seria de 80%.
Limiar de probabilidade
Observe o controle deslizante Limiar de Probabilidade no painel esquerdo da guia Desempenho . Este é o nível de confiança que uma previsão precisa ter para ser considerada correta (para fins de precisão de cálculo e recordação).
Quando você interpreta chamadas de previsão com um limite de alta probabilidade, elas tendem a retornar resultados com alta precisão às custas da recuperação — as classificações detetadas estão corretas, mas muitas permanecem não detetadas. Um limiar de baixa probabilidade faz o oposto – a maioria das classificações reais são detetadas, mas há mais falsos positivos dentro desse conjunto. Com isso em mente, você deve definir o limite de probabilidade de acordo com as necessidades específicas do seu projeto. Mais tarde, quando você estiver recebendo resultados de previsão no lado do cliente, você deve usar o mesmo valor de limite de probabilidade que você usou aqui.
Gerenciar iterações de treinamento
Cada vez que você treina seu classificador, você cria uma nova iteração com métricas de desempenho atualizadas. Você pode exibir todas as suas iterações no painel esquerdo da guia Desempenho . Você também encontrará o botão Excluir , que pode ser usado para excluir uma iteração se ela estiver obsoleta. Ao excluir uma iteração, você exclui todas as imagens associadas exclusivamente a ela.
Consulte Usar seu modelo com a API de previsão para saber como acessar seus modelos treinados programaticamente.
Próximos passos
Neste guia de início rápido, você aprendeu como criar e treinar um modelo de classificação de imagem usando o portal da Web Visão Personalizada. Em seguida, obtenha mais informações sobre o processo iterativo de melhoria do seu modelo.
Test and retrain a model (Testar e voltar a preparar um modelo)
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários