Bildklassificering med ML.NET och Windows Machine Learning

Den här guiden visar hur du tränar en modell för neurala nätverk för att klassificera bilder av mat med hjälp av ML.NET Model Builder, exportera modellen till ONNX-format och distribuera modellen i ett Windows Machine Learning-program som körs lokalt på en Windows-enhet. Det krävs ingen tidigare expertis inom maskininlärning, och vi vägleder dig steg för steg genom processen.

Om du vill lära dig hur du skapar och tränar en modell med ML.NET Model Builder kan du gå vidare till Träna en modell.

Om du har en modell och vill lära dig hur du skapar en WinML-app från grunden går du till den fullständiga självstudien för WinML-appen.

Om du vill hämta den fördefinierade lösningen för en WinML-app kan du klona lösningsfilen och testa den direkt.

Scenarium

I den här handledningen skapar vi en applikation för maskininlärning som klassificerar mat och körs på Windows-enheter. Modellen tränas att identifiera vissa typer av mönster för att klassificera en bild av livsmedel, och när en bild ges returneras en klassificeringstagg och det associerade procentuella konfidensvärdet för den klassificeringen.

Förutsättningar för modellträning

Om du vill skapa och träna din modell använder du ML.NET Model Buider i Visual Studio.

• Du behöver Visual Studio 2019 16.6.1 eller senare för att använda en ML.NET Model Builder. Du kan hämta Visual Studio här.
• Du behöver ett Azure-konto för att träna en modell med ML.NET Model Builder på Azure ML-arbetsytan. Om du är nybörjare på Azure kan du registrera dig för ett kostnadsfritt Azure-konto.

Anmärkning

Vill du veta mer om registreringsalternativ för Azure och kostnadsfria Azure-konton? Kolla in Skapa ett Azure-konto.

ML.NET Model Builder är ett intuitivt grafiskt Visual Studio-tillägg som används för att skapa, träna och distribuera anpassade maskininlärningsmodeller. Den använder automatisk maskininlärning (AutoML) för att utforska olika maskininlärningsalgoritmer och inställningar som hjälper dig att hitta den som passar bäst för ditt scenario.

ML.NET Model Builder levereras med Visual Studio version 16.6.1 eller senare när du installerar en av .NET-arbetsbelastningarna. Kontrollera att komponenten ML.NET Model Builder är markerad i installationsprogrammet när du laddar ned eller ändrar Visual Studio. Om du vill kontrollera om din VS har komponenterna ML.NET Model Builder går du till Tillägg och väljer Hantera tillägg. Skriv Model Builder i sökfältet för att granska tilläggsresultatet.

ML.NET Model Builder är för närvarande en förhandsversionsfunktion. För att kunna använda verktyget måste du i Visual Studio gå till Verktyg > alternativ > Miljöförhandsgranskningsfunktioner > och aktivera ML.NET Model Builder:

Anmärkning

Vill du veta mer om ML.NET Model Builder och olika scenarier som stöds? Läs dokumentationen för Model Builder.

Förutsättningar för distribution av Windows ML-appar

För att skapa och distribuera en Widows ML-app behöver du följande:

• Windows 10 version 1809 (version 17763) eller senare. Du kan kontrollera ditt versionsnummer genom att köra winver via kommandot Kör (Windows logo key + R).
• Windows SDK för version 17763 eller senare. Du kan hämta SDK:et här.
• Visual Studio 2019 version 16.6.1 eller senare. Du kan hämta Visual Studio här.
• Windows ML Code Generator (mlgen) Visual Studio-tillägg. Ladda ned för VS 2019.
• Om du bestämmer dig för att skapa en UWP-app måste du aktivera arbetsbelastningen Universal Windows Platform-utveckling i Visual Studio.
• Du måste också aktivera utvecklarläge på datorn

Anmärkning

Windows ML API:er är inbyggda i de senaste versionerna av Windows 10 (1809 eller senare) och Windows Server 2019. Om målplattformen är äldre versioner av Windows kan du portera din WinML-app till det omdistribuerbara NuGet-paketet (Windows 8.1 eller senare).

Förbered datan

Maskininlärningsmodeller måste tränas med befintliga data. I den här guiden använder du en datamängd med matbilder från Kaggle Open Datasets. Den här datamängden distribueras under licensen för offentlig domän.

Viktigt!

Om du vill använda den här datauppsättningen måste du följa villkoren för att använda Kaggle-webbplatsen och de licensvillkor som medföljer själva datauppsättningen Food-11. Microsoft lämnar ingen garanti eller representation om webbplatsen eller den här datamängden.

Datamängden har tre delningar – utvärdering, träning och validering – och innehåller 1 6643 matbilder grupperade i 11 större livsmedelskategorier. Bilderna i datamängden för varje kategori av livsmedel placeras i en separat mapp, vilket gör modellträningsprocessen enklare.

Ladda ned datauppsättningen här. Observera att datamängden är cirka 1 GB stor och att du kan bli ombedd att skapa ett konto på Kaggle-webbplatsen för att ladda ned data.

Om du vill kan du använda andra datauppsättningar med relevanta bilder. Som minst rekommenderar vi att du använder minst 30 bilder per tagg i den första träningsuppsättningen. Du vill också samla in några extra bilder för att testa din modell när den har tränats.

Se dessutom till att alla träningsbilder uppfyller följande kriterier:

• .jpg, .png, .bmpeller .gif format.
• inte större än 6 MB i storlek (4 MB för förutsägelsebilder).
• inte mindre än 256 bildpunkter på den kortaste kanten. alla bilder som är kortare än detta skalas automatiskt upp av Custom Vision Service.

Nästa steg

Nu när du har fått dina förutsättningar sorterade och har förberett datauppsättningen kan du fortsätta att skapa din WinML-modell. I nästa del använder du ML.NET Model Builder för att skapa och träna din klassificeringsmodell.