Краткое руководство. Создание модели классификации изображений с помощью портала Пользовательского визуального распознавания
В этом кратком руководстве объясняется, как использовать веб-портал Пользовательское визуальное распознавание для создания модели классификации изображений. Созданную модель можно протестировать с использованием новых изображений, а затем интегрировать в собственное приложение для распознавания изображений.
Необходимые компоненты
- Подписка Azure. Вы можете создать бесплатную учетную запись.
- Набор изображений для обучения модели классификации. Можно использовать набор примеров изображений в GitHub. Кроме того, вы можете выбрать собственные изображения, используя следующие советы.
- Поддерживаемый веб-браузер.
Создание ресурсов Пользовательского визуального распознавания
Чтобы использовать службу "Пользовательское визуальное распознавание", понадобится создать ресурсы обучения и прогнозирования этой службы в Azure. Чтобы сделать это на портале Azure, укажите требуемые сведения в диалоговом окне на странице создания Пользовательского визуального распознавания, чтобы создать ресурс для обучения и прогнозирования.
Создание нового проекта
Перейдите на веб-страницу Пользовательское визуальное распознавание, а затем войдите с той же учетной записью, которую вы использовали для входа в портал Azure.
Для создания первого проекта щелкните Новый проект. Откроется диалоговое окно "Создание проекта ".
Введите имя и описание проекта. Затем выберите ресурс обучения Пользовательское визуальное распознавание. Если учетная запись входа связана с учетной записью Azure, раскрывающийся список ресурсов отображает все совместимые ресурсы Azure.
Примечание.
Если ресурс недоступен, убедитесь, что вы вошли в customvision.ai с той же учетной записью, которую вы использовали для входа в портал Azure. Кроме того, убедитесь, что вы выбрали тот же каталог на веб-сайте Пользовательское визуальное распознавание, что и каталог в портал Azure, где находятся ресурсы Пользовательское визуальное распознавание. На обоих сайтах можно выбрать каталог в раскрывающемся меню учетной записи в правом верхнем углу экрана.
Выберите Classification (Классификация) в поле Project Types (Типы проектов). Затем в разделе Classification Types (Типы классификации) выберите вариант Multilabel (По нескольким меткам) или Multiclass (По нескольким классам) в зависимости от ситуации. Классификация с несколькими метками применяет любое количество тегов к изображению (ноль или более), а многоклассовая классификация сортирует изображения в отдельные категории (каждый отсортированный изображение сортируется по наиболее вероятному тегу). Можно изменить тип классификации позже, если вы хотите.
Затем выберите один из доступных доменов. Каждый домен оптимизирует модель для определенных типов изображений, как описано в следующей таблице. Если потребуется, вы сможете изменить этот домен позднее.
Домен Характер использования Общие вопросы Рассчитан на самые разные задачи классификации изображений. Если не подходит ни один из других доменов или вы не уверены, какой домен выбрать, выберите универсальный домен. Food Рассчитан для фотографий блюд, которые будут отображаться в меню ресторана. Если вы хотите классифицировать фотографии отдельных фруктов или овощей, используйте домен Food. Landmarks Рассчитан на распознавание естественных и искусственных ориентиров. Этот домен работает лучше всего, когда ориентир четко виден на фотографии. Этот домен работает, даже если ориентир немного заслоняют люди. Розничная торговля Рассчитан на изображения из каталогов товаров и торговых веб-сайтов. Если требуется высокая точность при распознавании таких объектов, как платья, брюки и рубашки, следует использовать этот домен. Домены Compact Оптимизированы для ограничений классификации в режиме реального времени на мобильных устройствах. Модели, созданные доменами Compact, можно экспортировать для локального запуска. И наконец, щелкните Create project (Создать проект).
Выбор обучающих изображений
Мы рекомендуем включить в начальный обучающий набор не менее 30 изображений для каждого тега. Кроме того, вам потребуются несколько дополнительных изображений для тестирования обученной модели.
Чтобы обучение модели было эффективным, используйте разнообразные изображения. Изображения должны отличаться по следующим аспектам:
- угол обзора камеры;
- освещение;
- background
- стиль изображения;
- отдельные объекты и группы;
- size
- type
Также убедитесь, что все обучающие изображения соответствуют следующим критериям:
- формат JPG, PNG, BMP или GIF;
- размер не более 6 МБ (4 МБ для прогнозирования изображений);
- не менее 256 пикселей по короткой стороне (Пользовательская служба визуального распознавания автоматически увеличивает изображения меньшего размера).
Отправка и снабжение тегами изображений
Вы можете отправить и вручную пометить изображения, чтобы помочь обучить классификатор.
Чтобы добавить изображения, последовательно выберите элементы Add images (Добавить изображения) и Browse local files (Обзор локальных файлов). Выберите Открыть, чтобы переместить теги. Выбор тега применяется ко всей группе отправленных изображений, поэтому проще отправлять изображения в отдельных группах в соответствии с примененных тегами. Вы также можете изменить теги для отдельных изображений после их отправки.
Чтобы создать тег, введите произвольный текст в поле My Tags (Мои теги) и нажмите клавишу ВВОД. Если тег уже существует, он отображается в раскрывающемся меню. В проекте с классификацией по нескольким меткам вы можете добавить к каждому изображению более одного тега, а в проекте с классификацией по нескольким классам — только один. Чтобы завершить отправку изображений, нажмите кнопку Upload [number] files (Отправить файлы ([число])).
Нажмите кнопку "Готово" после отправки изображений.
Чтобы отправить новый набор изображений, прокрутите страницу наверх и повторите все шаги.
Обучение классификатора
Для обучения классификатора нажмите кнопку Train (Обучение). Классификатор создаст на основе всех уже полученных изображений модель, которая идентифицирует визуальные характеристики каждого тега. Этот процесс может занять несколько минут.
Процесс обучения обычно занимает пару минут. В течение этого времени информация о процессе обучения отображается на вкладке Performance (Производительность).
Оценка классификатора
После завершения обучения производительность модели оценивается и отображается. Служба Пользовательского визуального распознавания использует изображения, которые вы отправили для обучения, для расчета точности и отзыва. Точность и полнота — это разные характеристики эффективности классификатора.
- Точность обозначает долю правильно определенных классов. Например, если модель определила наличие собак на 100 изображениях, из которых на 99 действительно есть собаки, точность этой модели составляет 99 %.
- Полнота обозначает долю правильно определенных фактических классов. Например, если в наборе присутствует 100 изображений яблок, из которых модель правильно определила 80, полнота этой модели составляет 80 %.
Порог вероятности
Обратите внимание на ползунок порогового значения вероятности на левой панели вкладки "Производительность ". Это уровень уверенности, что прогноз должен иметь для того, чтобы считаться правильным (в целях вычисления точности и отзыва).
Когда вы интерпретируете вызовы прогнозирования с высоким порогом вероятности, они обычно возвращают результаты с высокой точностью, обеспеченной за счет отзыва, — обнаруженные классификации верны, но многие из них не удается обнаружить. С низким порогом вероятности ситуация противоположная — обнаруживается большинство фактических классификаций, но в наборе больше ложных срабатываний. Учитывайте это при настройке порога вероятности в соответствии с потребностями для конкретного проекта. Позже, когда вы получите результаты прогнозирования на стороне клиента, вам нужно будет задать используемое здесь значение порога вероятности.
Управление итерациями обучения
При каждом обучении классификатора создается новая итерация с обновленными метриками производительности. Все итерации можно просмотреть на левой панели вкладки "Производительность ". Вы также найдете кнопку "Удалить ", которую можно использовать для удаления итерации, если она устарела. При удалении итерации удаляются только связанные с ней изображения.
Сведения о программном доступе к обученным моделям см. в статье "Вызов API прогнозирования".
Следующий шаг
В этом кратком руководстве объясняется, как создать и обучить модель классификации изображений на веб-портале Пользовательского визуального распознавания. См. дополнительные сведения об итеративном процессе улучшения модели.