Azure'da görüntü sınıflandırmayı kullanmaya başlama
Azure AI Services tekliflerinin bir parçası olarak sunulan Azure AI Özel Görüntü İşleme kullanarak görüntü sınıflandırması gerçekleştirebilirsiniz. Bu seçenek genellikle kendi model eğitim kodunuzu yazmaya kıyasla daha kolay ve hızlıdır ve makine öğrenmesi deneyimi olmayan kullanıcıların verimli bir görüntü sınıflandırma çözümü oluşturmasını sağlar.
Azure AI Özel Görüntü İşleme için Azure kaynakları
Azure AI Özel Görüntü İşleme ile görüntü sınıflandırma çözümü oluşturmak iki ana görevden oluşur. Öncelikle elinizdeki görüntüleri kullanarak modeli eğitmeniz, ardından modeli yayımlayarak istemci uygulamalarının tahmin elde etmek için kullanmasını sağlamanız gerekir.
Bu görevlerin her biri için Azure aboneliğinizde bir kaynağa ihtiyacınız olur. Aşağıdaki kaynak türlerini kullanabilirsiniz:
- Özel Görüntü İşleme: Eğitim, tahmin veya her iki kaynak da olabilecek özel görüntü işleme hizmeti için ayrılmış bir kaynak.
- Azure AI hizmetleri: Azure AI Özel Görüntü İşleme ve diğer birçok Azure yapay zeka hizmetini içeren genel bir kaynaktır. Bu kaynak türünü eğitim, tahmin veya her ikisi için de kullanabilirsiniz.
Model eğitimine yönelik kaynak kullanımını, modeli kullanarak görüntü sınıflarını tahmin eden istemci uygulamalarından ayrı izlemek istiyorsanız, eğitim ve tahmin kaynaklarının ayrılması önemlidir. Bununla birlikte bu ayrım, görüntü sınıflandırma çözümü geliştirmeyi biraz karmaşık hale getirebilir.
En basit yaklaşım, hem eğitim hem de tahmin için genel bir Azure AI hizmetleri kaynağı kullanmaktır. Bu durumda yalnızca bir uç nokta (hizmetinizin barındırıldığı HTTP adresi) ve bir anahtar (istemci uygulamaların kimlik doğrulaması için kullandığı gizli dizi değeri) gerekir.
Özel Görüntü İşleme kaynağı oluşturmayı seçerseniz eğitim, tahmin ve her ikisi arasında seçim yapmanız istenir ve "her ikisi" seçeneğini belirtmeniz durumunda iki kaynağın oluşturulacağına (biri eğitim ve biri de tahmin için) dikkat etmeniz önemlidir.
Eğitim için ayrılmış bir Özel Görüntü İşleme kaynağı kullandığınız ancak modelinizi tahmin için bir Azure AI hizmetleri kaynağına dağıttığınız bir karma ve eşleşme yaklaşımını benimsemek de mümkündür. Bunun çalışması için eğitim ve tahmin kaynaklarının aynı bölgede oluşturulması gerekir.
Model eğitimi
Bir sınıflandırma modelini eğitmek için görüntüleri eğitim kaynağına yüklemeniz ve bunları uygun sınıf etiketleriyle etiketlemeniz gerekir. Ardından modeli eğitmeniz ve eğitim sonuçlarını değerlendirmeniz gerekir.
Bu görevleri Özel Görüntü İşleme portalında gerçekleştirebilir veya gerekli kodlama deneyimine sahipseniz Azure AI Özel Görüntü İşleme hizmet programlama diline özgü yazılım geliştirme setlerinden (SDK) birini kullanabilirsiniz.
Görüntüleri sınıflandırma için kullanırken dikkat etmeniz gereken önemli noktalardan biri ilgili nesneler için yeterli sayıda görüntüye sahip olduğunuzdan ve bu görüntülerde nesnenin birçok farklı açıdan göründüğünden emin olmaktır.
Modeli değerlendirme
Model eğitim süreci, Azure AI Özel Görüntü İşleme hizmetinin verilerin bir kısmını kullanarak modeli sürekli olarak eğitdiği, ancak modeli değerlendirmek için bazılarını geriye tuttuğu yinelemeli bir süreçtir. Eğitim sürecinin sonunda eğitilen modelin performansı aşağıdaki değerlendirme ölçümleriyle belirtilir:
- Duyarlık: Model tarafından yapılan sınıf tahminlerinin yüzde kaçı doğru? Örneğin model 10 görüntünün portakal olduğunu tahmin ettiyse ancak bunların 8 tanesi gerçekten portakalsa duyarlık 0,8 (%80) olur.
- Hatırlayın: Model doğru şekilde sınıf tahminlerinin yüzde kaçını doğru tanımladı? Örneğin 10 elma görüntüsü varsa ve model bunlardan 7 tanesini bulduysa yakalama değeri 0,7 (%70) olur.
- Ortalama Duyarlık (AP):Hem duyarlığı hem de geri çekmeyi dikkate alan genel bir ölçüm.
Modeli tahmin için kullanma
Modeli eğittikten ve performansından memnun kaldıktan sonra tahmin kaynağınız için yayımlayabilirsiniz. Modeli yayımlarken bir ad verebilirsiniz (varsayılan olarak "IterationX" kullanılır ve burada X, modeli eğitme sayınızdır).
İstemci uygulaması geliştiricileri modelinizi kullanmak için aşağıdaki bilgilere ihtiyaç duyar:
- Proje Kimliği: Modeli eğitmek için oluşturduğunuz Özel Görüntü İşleme projesinin benzersiz kimliği.
- Model adı: Yayımlama sırasında modele atadığınız ad.
- Tahmin uç noktası: Modeli yayımladığınız tahmin kaynağının (eğitim kaynağının değil) uç noktalarının HTTP adresi.
- Tahmin anahtarı: Modeli yayımladığınız tahmin kaynağının (eğitim kaynağının değil) kimlik doğrulama anahtarı.