Träna din modell med Custom Vision

I föregående steg i den här självstudien diskuterade vi förutsättningarna för att skapa en egen Windows Machine Learning-modell och -app och laddade ned en bilduppsättning som ska användas. I det här steget får vi lära oss hur du använder det webbaserade Custom Vision-gränssnittet för att omvandla vår bilduppsättning till en bildklassificeringsmodell.

Azure Custom Vision är en tjänst för bildigenkänning som gör att du kan skapa, distribuera och förbättra dina egna bildidentifierare. Custom Vision Service är tillgängligt som en uppsättning interna SDK:er, samt via ett webbaserat gränssnitt på Custom Vision-webbplatsen.

Skapa Custom Vision-resurser och projekt

Skapa Custom Vision-resurs

Om du vill använda Custom Vision Service måste du skapa Custom Vision-resurser i Azure.

1. Gå till huvudsidan för ditt Azure-konto och välj Create a resource.

2. I sökrutan söker du efter Custom Vision och går in i Azure Marketplace. Välj Create Custom Vision för att öppna dialogrutan på sidan Skapa Custom Vision.

3. Välj följande på sidan Custom Vision:

• Välj både Training och Prediction resurser.
• Välj prenumerationen för att hantera distribuerade resurser. Om du inte ser din Azure-prenumeration på menyn loggar du ut och öppnar ditt Azure-konto igen med samma autentiseringsuppgifter som du öppnade ditt konto med.
• Skapa en ny resursgrupp och ge den ett namn. I den här handledningen har vi kallat vår resursgrupp MLTraining, men du kan välja ditt eget namn eller använda den befintliga resursgruppen om du har en.
• Ge projektet ett namn. I den här handledningen har vi kallat vår classificationApp, men du kan använda valfritt namn.
• För både Training och Prediction resurser anger du platsen som (USA) USA, östra och Prisnivå som Kostnadsfri FO.

4. Tryck Review + create för att distribuera dina Custom Vision-resurser. Det kan ta några minuter att distribuera dina resurser.

Skapa ett nytt projekt i Custom Vision

Nu när du har skapat resursen är det dags att skapa ditt träningsprojekt i Custom Vision.

1. I webbläsaren går du till sidan Custom Vision och väljer Sign in. Logga in med samma konto som du använde för att logga in på Azure-portalen.

2. Välj New Project för att öppna en ny projektdialogruta.

3. Skapa ett nytt projekt enligt följande:

• Name: Livsmedelsklassificering.
• Description: Klassificering av olika typer av livsmedel.
• Resource: behåll samma resurs som du öppnade tidigare – ClassificationApp [F0].
• Project Types: classification
• Classification Types: Multilabel (Multiple tags per image)
• Domains: Food (compact).
• Export Capabilities: Basic platforms (Tensorflow, CoreML, ONNX, ...)

Anmärkning

För att kunna exportera till ONNX-formatet kontrollerar du att du väljer domänen Food (compact) . Icke-kompakta domäner kan inte exporteras till ONNX.

Viktigt!

Om ditt inloggade konto är associerat med ett Azure-konto visar listrutan Resursgrupp alla dina Azure-resursgrupper som innehåller en Custom Vision Service-resurs. Om ingen resursgrupp är tillgänglig kontrollerar du att du har loggat in på customvision.ai med samma konto som du använde för att logga in på Azure-portalen.

4. När du har fyllt i dialogrutan väljer du Create project.

Ladda upp träningsdatauppsättningen

Nu när du har skapat projektet laddar du upp en tidigare förberedd datamängd med matbilder från Kaggle Open Datasets.

1. Välj ditt FoodClassification projekt för att öppna det webbaserade gränssnittet på Custom Vision-webbplatsen.

2. Välj Add images-knappen och välj sedan Browse local files.

3. Navigera till platsen för bilddatauppsättningen och välj träningsmappen – vegetable-fruit. Markera alla bilder i mappen och välj open. Taggningsalternativet öppnas.

4. Ange vegetable-fruit i fältet My Tags och tryck på Upload.

Vänta tills den första gruppen med bilder har laddats upp till projektet och tryck sedan på done. Taggmarkeringen tillämpas på hela gruppen av bilder som du har valt att ladda upp. Därför är det enklare att ladda upp bilder från redan fördefinierade grupper av bilder. Du kan alltid ändra taggarna för enskilda bilder när de har laddats upp.

5. När den första gruppen av bilder har laddats upp upprepar du processen två gånger till för att ladda upp bilderna av efterrätt och soppa. Se till att du etiketterar dem med relevanta taggar.

I slutet har du tre olika grupper av bilder redo för träning.

Träna modellklassificeraren

Nu ska du träna modellen att klassificera grönsaker, soppa och desserter från den uppsättning bilder som du laddade ned i föregående del.

1. Starta träningsprocessen genom att Train välja knappen i det övre högra hörnet. Klassificeraren använder bilderna för att skapa en modell som identifierar de visuella egenskaperna för varje tagg.

Det finns ett alternativ för att ändra sannolikhetströskeln med skjutreglaget i det vänstra övre hörnet. Sannolikhetströskeln anger den konfidensnivå som en förutsägelse måste ha för att anses vara korrekt. Om sannolikhetströskeln är för hög får du en mer korrekt klassificering, men färre identifieras. Å andra sidan, om sannolikhetströskeln är för låg, identifierar du många fler klassificeringar, men med lägre konfidens eller fler falska positiva resultat.

I den här självstudien kan du hålla sannolikhetströskelvärdet på 50%.

2. Här kommer vi att använda Quick Training processen. Advanced Training har fler inställningar och gör att du specifikt kan ange den tid som används för träning, men vi behöver inte den kontrollnivån här. Tryck Train på för att starta träningsprocessen.

Det tar bara några minuter att slutföra en snabbträningsprocess. Under den här tiden visas information om träningsprocessen på fliken Performance .

Utvärdera och testa

Utvärdera resultatet

När träningen har slutförts visas sammanfattningen av den första utbildnings-iterationen. Den innehåller uppskattningen av modellens prestanda – precision och återkallande.

• Precision anger fraktionen av identifierade klassificeringar som var korrekta. I vår modell är precisionen 98,2%, så om vår modell klassificerar en bild är det mycket troligt att den förutsägs korrekt.
• Recall anger den del av faktiska klassificeringar som har identifierats korrekt. I vår modell är recall 97.5%, så vår modell klassificerar de allra flesta bilder som presenteras för den korrekt.
• AP står för Ytterligare prestanda. Detta ger ytterligare ett mått som sammanfattar precisionen och återkallandet vid olika tröskelvärden.

Testa modellen

Innan du exporterar modellen kan du testa dess prestanda.

1. Välj Quick Test det övre högra hörnet i det översta menyfältet för att öppna ett nytt testfönster.

I det här fönstret kan du ange en URL för avbildningen som ska testas eller välja Browse local files att använda en lokalt lagrad bild.

2. Välj Browse local files, navigera till matdatauppsättningen och öppna en valideringsmapp. Välj valfri slumpmässig bild i fruit-vegetable mappen och tryck på open.

Resultatet av testningen visas på skärmen. I vårt test klassificerade läget bilden med 99,8% säkerhet.

Du kan använda förutsägelsen för träning på Predictions fliken, vilket kan förbättra modellens prestanda. Mer information finns i Så här förbättrar du klassificeraren.

Anmärkning

Vill du veta mer om Azure Custom Vision-API:er? Custom Vision Service-dokumentationen innehåller mer information om Custom Vision-webbportalen och SDK.

Exportera modellen till ONNX

Nu när vi har tränat vår modell kan vi exportera den till ONNX.

1. Välj fliken Performance och välj Export sedan att öppna ett exportfönster.

2. Välj ONNX att exportera din modell till ONNX-format.

3. Du kan välja flyttalsalternativet ONNX 16 om det behövs, men i den här självstudien behöver vi inte ändra några inställningar. Välj Export and Download.

4. Öppna den nedladdade .zip-filen och extrahera model.onnx-filen från den. Den här filen innehåller din klassificerarmodell.

Grattis! Du har skapat och exporterat klassificeringsmodellen.

Nästa steg

Nu när vi har en klassificeringsmodell är nästa steg att skapa ett Windows-program och köra det lokalt på din Windows-enhet.