Çözüm fikirleri
Bu makalede bir çözüm fikri açıklanmaktadır. Bulut mimarınız bu mimarinin tipik bir uygulaması için ana bileşenleri görselleştirmeye yardımcı olmak için bu kılavuzu kullanabilir. İş yükünüzün özel gereksinimlerine uygun iyi tasarlanmış bir çözüm tasarlamak için bu makaleyi başlangıç noktası olarak kullanın.
Görüntülerdeki öğeleri tanımlamak üzere büyük hacimli görüntüleri verimli bir şekilde sınıflandırmak için kıvrımlı sinir ağlarını (CNN) kullanın.
Mimari
Bu mimarinin bir Visio dosyasını indirin.
Veri akışı
- Azure Blob Depolama resim yüklemeleri Azure Machine Learning tarafından alınıyor.
- Çözüm denetimli öğrenme yaklaşımını izlediğinden ve modeli eğitmek için veri etiketlemeye ihtiyaç duyduğundan alınan görüntüler Machine Learning'de etiketlenir.
- CNN modeli Machine Learning not defterinde eğitilir ve doğrulanır. Önceden eğitilmiş çeşitli görüntü sınıflandırma modelleri mevcuttur. Bir öğrenme aktarımı yaklaşımı kullanarak bunları kullanabilirsiniz. Önceden eğitilmiş CNN'lerin bazı varyantları hakkında bilgi için bkz . Konvolüsyonel sinir ağları kullanarak görüntü sınıflandırmadaki ilerlemeler. Bu görüntü sınıflandırma modellerini indirebilir ve etiketlenmiş verilerinizle özelleştirebilirsiniz.
- Eğitimden sonra model Machine Learning'deki bir model kayıt defterinde depolanır.
- Model, toplu olarak yönetilen uç noktalar aracılığıyla dağıtılır.
- Model sonuçları Azure Cosmos DB'ye yazılır ve ön uç uygulaması aracılığıyla kullanılır.
Bileşenler
- Blob Depolama, Azure Depolama'nın bir parçası olan bir hizmettir. Blob Depolama, büyük miktarlarda yapılandırılmamış veri için iyileştirilmiş bulut nesne depolaması sunar.
- Machine Learning, makine öğrenmesi modellerini eğitmek, dağıtmak, otomatikleştirmek, yönetmek ve izlemek için kullanabileceğiniz bulut tabanlı bir ortamdır. Modelleri gelecekteki davranışları, sonuçları ve eğilimleri tahmin etmek için kullanabilirsiniz.
- Azure Cosmos DB , genel olarak dağıtılmış, çok modelli bir veritabanıdır. Azure Cosmos DB ile çözümleriniz, işleme hızını ve depolama alanını istediğiniz sayıda coğrafi bölgede esnek bir şekilde ölçeklendirebilir.
- Azure Container Registry kapsayıcı görüntülerini derler, depolar ve yönetir ve kapsayıcılı makine öğrenmesi modellerini depolayabilir.
Senaryo ayrıntıları
Nesnelerin İnterneti (IoT) ve yapay zeka gibi teknolojilerin artmasıyla dünya büyük miktarlarda veri üretiyor. Verilerden ilgili bilgileri ayıklamak büyük bir zorluk haline gelmiştir. Görüntü sınıflandırma, bir görüntünün neyi temsil ettiği belirlemek için uygun bir çözümdür. Görüntü sınıflandırması, yüksek hacimli görüntüleri kategorilere ayırmanıza yardımcı olabilir. Kıvrımlı sinir ağları (CNN) görüntü veri kümelerinde iyi performans sağlar. CNN'ler, en son düzey görüntü sınıflandırma çözümlerinin geliştirilmesinde önemli bir rol oynamış durumdadır.
CNN'lerde üç ana katman türü vardır:
- Kıvrımlı katmanlar
- Havuz katmanları
- Tam bağlı katmanlar
Kıvrımlı katman, bir kıvrımlı ağın ilk katmanıdır. Bu katman başka bir kıvrımlı katmanı veya havuz katmanlarını izleyebilir. Genel olarak, tam olarak bağlı katman ağdaki son katmandır.
Katman sayısı arttıkça modelin karmaşıklığı artar ve model görüntünün daha büyük bölümlerini tanımlayabilir. Başlangıç katmanları kenarlar gibi basit özelliklere odaklanır. Görüntü verileri CNN katmanları arasında ilerledikçe ağ nesnedeki daha karmaşık öğeleri veya şekilleri tanımaya başlar. Son olarak, beklenen nesneyi tanımlar.
Olası kullanım örnekleri
- Bu çözüm hata algılamayı otomatikleştirmeye yardımcı olabilir. Bu, yalnızca insan operatörlere güvenmek için tercih edilir. Örneğin, bu çözüm hatalı elektronik bileşenleri tanımlayarak üretkenliği artırabilir. Bu özellik, yalın üretim, maliyet denetimi ve üretimde atık azaltma için önemlidir. Devre kartı üretiminde hatalı kartlar üreticilerin para ve üretkenlik kaybı yaşamasına yol açabilir. Derleme hatları, derleme hattı test makineleri tarafından hatalı olarak işaretlenebilen panoları hızla gözden geçirmek ve doğrulamak için insan operatörlerine dayanır.
- Görüntü sınıflandırması sağlık sektörü için idealdir. Görüntü sınıflandırması kemik çatlaklarını, çeşitli kanser türlerini ve dokulardaki anomalileri algılamaya yardımcı olur. Ayrıca, hastalığın varlığını gösterebilen düzensizlikleri işaretlemek için görüntü sınıflandırmasını da kullanabilirsiniz. Görüntü sınıflandırma modeli, MRI'lerin doğruluğunu artırabilir.
- Tarım alanında, görüntü sınıflandırma çözümleri su gerektiren bitki hastalıklarını ve bitkilerini tanımlamaya yardımcı olur. Sonuç olarak, görüntü sınıflandırması insan müdahalesi ihtiyacını azaltmaya yardımcı olur.
Katkıda Bulunanlar
Bu makale Microsoft tarafından yönetilir. Başlangıçta aşağıdaki katkıda bulunan tarafından yazılmıştır.
Asıl yazar:
- Ashish Chauhan | Kıdemli Çözüm Mimarı
Genel olmayan LinkedIn profillerini görmek için LinkedIn'de oturum açın.
Sonraki adımlar
- Blob Depolama hakkında daha fazla bilgi edinmek için bkz. Azure Blob Depolama giriş.
- Container Registry hakkında daha fazla bilgi edinmek için bkz . Azure'da Kapsayıcı kayıt defterlerine giriş.
- Model yönetimi (MLOps) hakkında daha fazla bilgi edinmek için bkz . MLOps: Azure Machine Learning ile model yönetimi, dağıtım, köken ve izleme.
- SynapseML hakkında daha fazla bilgi edinmek için bkz . Synapse Machine Learning.
- CNN'ler hakkında bir bölüm içeren bir Microsoft Learn modülünü keşfetmek için bkz . Derin öğrenme modellerini eğitin ve değerlendirin.