Pratik Kılavuz: Bir Görüntü Sınıflandırma Modeli Oluşturmak için Google AutoML'yi Kullanma
Tam metin 2710 Kelimeler, tahmini öğrenme süresi 8 dakika
Google AutoML ile tek etiketli bir sınıflandırma modeli nasıl oluşturulur?
Bugün, yüzün erkek mi yoksa kadın mı olduğunu belirlemek için algoritmayı eğitmek için oluşturulan fotoğraflardan yapay zeka tarafından oluşturulan bir yüz veri seti kullanacağız, ardından modeli buluta dağıtacak ve algoritmanın bir web sürümünü oluşturacağız.
Birlikte deneyin!
Etiketi alın
Tamam, şimdi başlayalım! Öncelikle sınıflandırma için kullanılacak verilere bakalım. Toplamda 2.000 yüz fotoğrafı var.
Bu yüzlerin hiçbirinin gerçek olmadığına inanmak zor! Şimdi, algoritmayı eğitmek için kesin referans etiketleri almamız gerekiyor. Etiketleri hızlı bir şekilde elde etmek için wao.ai web sitesinde bir resim sınıflandırma görevi oluşturabilirsiniz.
Görev tamamlandıktan sonra, doğruluk etiketlerini içeren bir CSV dosyası alabilirsiniz (https://wao.ai/blog/single-label-image-classification-google-automl dosyasını indirmek için burayı tıklayın).
proje oluştur
Google AutoML'yi açma zamanı. Bu bölümün içeriği, Google AutoML'de yeni bir veri kümesi oluşturmak ve modeli eğitmeye başlamaktır.
Okuyucunun henüz bir hesabı yoksa, lütfen Google Cloud Platform'da (GCP) bir hesap açın ve yeni bir proje oluşturun.
Yeni bir proje oluşturduktan sonra, Google AutoML'ye kenar çubuğundan veya üstteki arama çubuğundan girebilirsiniz. Okuyucuların faturalandırma ayarlarını tamamlamak için bazı API'leri etkinleştirmesi gerekebilir ve GCP, bu süreçte kullanıcılara yol gösterecektir.
Ardından, veri seti arayüzüne girmek için "Görüntü Sınıflandırma" bölümünde "Başlarken" öğesini tıklayın.
Veri seti arayüzüne girin, arayüzde "Yeni Veri Kümesi Oluştur" (Yeni Veri Kümesi Oluştur) seçeneğini tıklayın, veri kümesini eğitmek için ayrıntıları doldurun.
Giriş verilerini formatlama
Veriler yalnızca şimdi Google Cloud Platform'a gerçekten girilebilir. Tüm veriler GCP depolama paketinde (Depolama Paketi) depolanmalıdır. Büyük veri kümesi nedeniyle tarayıcı arayüzü düzgün çalışmayabilir.
Ancak, GCP komut satırı aracı düzgün çalışmalıdır.
Google Cloud SDK'yı (komut satırı araçları dahil) yüklemek için https://cloud.google.com/sdk/ öğesini tıklayın.
Şimdi dosyaları gruba taşımak için gsutil cp -rpath / to / faces gs: // YOUR_BUCKET / faces komutunu çalıştırın. YOUR_BUCKET'i kendi kova adınızla değiştirdiğinizden emin olun (aşağıdaki ekran görüntüsünde yazarın kova adının dokuma-icon-263815-vcm olduğunu görebilirsiniz).
Ardından, wao.ai doğruluk etiketi CSV dosyasını AutoML için gereken CSV çıktısına dönüştürün.
Orijinal CSV dosyası şuna benzer:
Google AutoML'nin kullanımını kolaylaştırmak için aşağıdaki ayarlamalar gereklidir:
Yazar, aşağıdaki şekilde gösterildiği gibi ipython terminalinde bu işlemi tamamlamak için pandas kitaplığının DataFrame'ini kullandı:
Veri seti oluşturuldu
Artık Google AutoML biçim gereksinimlerini karşılayan bir CSV dosyanız olduğuna göre, veri kümesinin oluşturulmasını tamamlayabilirsiniz.
Yeni oluşturulan CSV dosyasını pakete yükleyin ve "Veri Kümesini İçe Aktar" arayüzünde seçin.
Verileri girdikten sonra, tüm resimleri ve etiketleri tarayıcıda görüntüleyebilirsiniz.
Bir model oluşturun
Bu bölümün içeriği, uygun ve kullanımı kolay API kullanarak GCP üzerinde çalışan bir bulut modeli ve Tensorflow'a aktarılabilen ve yerel veya barındırılan mobil cihazlar ve tarayıcılarda çalıştırılabilen bir Edge Modeli oluşturmaktır.
1. Eğitim bulut modeli
"TREN" sekmesini açın ve "EĞİTİMİ BAŞLAT" seçeneğini tıklayın. Yazar tüm varsayılan seçenekleri korur.
Model birkaç saat içinde tamamlanacak ve ilgili performansı ve bütçesi sayfada görüntülenecek (yazar toplamda 16 saat geçirdi):
2. "Kenar" modelini eğitin (her yerde çalıştırılabilir)
Bir uç modeli oluşturma yöntemi temelde aynıdır, ancak "Bulut" yerine "Kenar" seçeneğine tıklamak yerine. Kenar modelleri oluştururken hızı veya doğruluğu optimize etmeyi seçebilirsiniz. Yazar doğruluğu optimize etmeyi seçti çünkü ben uç modeli bulut modeliyle karşılaştırmak istiyordum.
sonuç
Modelin performansı "DEĞERLENDİRME" sekmesinde görülebilir. Bulut modelinin doğruluğu% 94,5'e, uç modelin doğruluğu ise% 95,5'e ulaştı. Şaşırtıcı bir şekilde, bulut modeli biraz daha kötü performans gösteriyor ve eğitim maliyeti daha yüksek!
Genel olarak, her iki modelin performansı tatmin edicidir. Karışıklık matrisi, bulut modelinin erkek yüzlerini tahmin etmede kadın yüzlerine göre daha yüksek hata oranına sahip olduğunu, uç modellerin hata oranının ise daha ortalama olduğunu göstermektedir.
Bulut modeli performansı
Aşağıdaki ekran görüntüsünde, bulut modelinin kafa karışıklığı matrisini ve AutoML tarafından bildirilen bazı verileri görebilirsiniz. Erkek yüzlerini tahmin etmekle karşılaştırıldığında, bulut modelleri kadın yüzlerini tahmin etmede daha iyidir.
Edge modeli performansı
Aşağıdaki ekran görüntüsünde, uç modelin kafa karışıklığı matrisini ve AutoML tarafından bildirilen bazı verileri görebilirsiniz. Marjinal model, erkek yüzlerini tahmin etmede biraz daha iyidir!
Kenar çantası
Google AutoML, modelin nerede iyi performans gösterdiğine ve nerede yanlış gittiğine dair istatistiksel analiz sağlar. Yazarın keras modelinde olduğu gibi, sorun çocukların fotoğraflarında ve bazı alışılmadık yüz açılarında yatıyor. Aşağıdaki ekran görüntüleri, bazı yanlış pozitif ve yanlış negatif örnekleri göstermektedir.
Model dağıtımı
Artık tatmin edici bir modele sahip olduğunuza göre onu kullanabilirsiniz! Bulut modelleri GCP'de dağıtılabilir ve uç modeller indirilip Tensorflow'da çalıştırılabilir. Bulut modellerinin ve uç modellerin dağıtımına bir göz atalım!
Bulut modelini dağıtın
"TEST KULLANIMI" sekmesini açın ve "MODELİ AÇ" seçeneğini tıklayın. Test için yalnızca bir düğüm dağıtmaya karar verdim. Modeli yerleştirmek yaklaşık bir saat sürdü.
Bulut modeli, basit bir JSON nesnesi yükleyebilen ve ardından bir dizi tahmin ve olasılık alabilen basit ve kullanımı kolay bir API gösterir. Yazar için bu, basit ve kullanışlı mükemmel bir entegre API'dir.
API'yi doğrudan tarayıcıda kullanabilir ve sonuçları kontrol edebilirsiniz. Yazar, eğitim veri setinden bazı yüz fotoğrafları yükledi ve modelin çok iyi çalıştığı görülüyor! Genel olarak, bulut örneklerini arka planda çalıştırmayı karşılayabiliyorsanız, API'leri kullanmak yine de çok kullanışlıdır.
Edge modelini dağıtın
Uç model dağıtımı için modeli indirmenin birçok yolu vardır. Her seçenek çok güçlüdür:
· TF Lite: mobil cihazlarda çalışan modelleri destekler
· TensorFlow.js: bir web tarayıcısında çalışan modelleri destekler
· Core ML: Apple cihazlarda çalışan modelleri destekler
· Container (Container): docker container'larda çalışan modelleri destekler (web sunucuları için çok uygundur)
Not: Bu modelin sunucuya resim yüklemesine gerek yoktur, tüm süreç yerel olarak çalışır!
Kaynak: Pexels
Genel olarak, Google AutoML'nin kullanımı kolaydır ve görüntü sınıflandırma modelleri oluşturmada çok etkilidir.
Bir dahaki sefere, hangisinin daha iyi olduğunu görmek için diğer bulut sağlayıcılarına bakmaya çalışacağız!
Yorum Beğen Takip Et
Yapay zeka öğrenme ve geliştirmenin kuru mallarını paylaşalım
Yeniden yazdırıyorsanız, lütfen arka planda bir mesaj bırakın ve yeniden yazdırma şartnamelerine uyun
