Gıda tanıma yapay zekasının nasıl oluşturulacağını size öğretin: Xiaobai'nin kullanımı kolaydır, popülerdir ve Demo ile övülür
Copper Spirit Derleyin ve düzenleyin
Qubit Üretildi | Genel Hesap QbitAI
Derin öğrenme görevlerinin karmaşık ve anlaşılmasının zor olduğunu kim söyledi?
Aslında Xiao Bai kolayca öğrenip eğlenceli ve faydalı işler yapabilir.
Son zamanlarda, mühendisler Nidhin Pattaniyil ve Reshama Shaikh, gıda tanıma yapay zekasının bir web uygulaması sürümünü sıfırdan oluşturmayla ilgili bir eğitim yazdı. Verileri, öğreticileri ve demoları var. Anlaşılması basit ve kolay. Çok sayıda Twitter kullanıcısı kazandı.
Fast.ai'nin kurucusu bile, Kaggle'ın eski başkanı ve baş bilim adamı Jeremy Howard övdü ve tavsiye etti:
İşte ayrıntılı adımlar:
ısınmak
Bu görevi genel olarak anlamak için, web ve cep telefonlarında gıda görseli sınıflandırıcıları oluşturmak için derin öğrenme yöntemlerini kullanacağız.
Bu projeyi tamamladıktan sonra aşağıdaki becerileri edineceksiniz:
- Yemek fotoğraflarını sınıflandırmak için bir derin öğrenme modeli eğitmek için fastai kitaplığını kullanın
- Bu modeli web ve mobil cihazlara dağıtmak için Heroku ve Flask'ı kullanın
Bu eğitim üç bölüme ayrılmıştır, içerikleri aşağıdaki gibidir:
ilk kısım : Sınıflandırıcıyı eğitin
ikinci kısım : Modeli web'e dağıtın
üçüncü bölüm : Modeli mobil terminale dağıtın
Söyleyecek pek bir şey yok, belirli adımlar aşağıda resmi olarak açıklanacak.
Sınıflandırıcıyı eğitin
Böylesine eğlenceli bir uygulama oluşturmak için, Model ağırlık dosyası , Herhangi bir derin öğrenme kitaplığında edinebilirsiniz, iki yazar fastai kitaplığını kullanır.
Aşağıdaki GitHub deposunu açın, Jupyter Not Defterindeki kod, modeli eğitmenize yardımcı olabilir.
adres:
https://github.com/npatta01/web-deep-learning-classifier
Ayrıca model eğitimi için ilgili yazılımı da hazırlamanız gerekmektedir.İki kardeş şunları kullanır:
- fastai: sürüm 1.0.42
- PyTorch: sürüm 1.0.0
- Python: sürüm 3.6
Derin öğrenme fastai kitaplığının 1.0 sürümü mevcut ve PyTorch üzerinde çalıştırılması gerekiyor. Fastai'nin işleyişine aşina değilseniz, işte öğrenebileceğiniz bir dizi fastai kursu:
https://docs.fast.ai/
Kullandığımız veriler Google bulut platformunda alınır ve analiz edilir.Tabii ki herhangi bir bulut platformunu (Amazon, Paperspce) vb. Seçebilirsiniz.
GPU çalışma ortamını fastai üzerine kurmak için talimatları bulabilirsiniz.Bu projede iki kardeşin kullandığı ekipman NVIDIA Tesla P100 ve 100GB sabit disktir.
Brother ayrıca eğlenceli bir yiyecek sınıflandırma veri seti önerdi: Yiyecek-101.
Gıda-101 veri setinde 101 gıda kategorisi bulunmaktadır.Toplamda 101k (yani 101000) görsel bulunmaktadır.Her kategoride 250'si test görüntüsü ve 750'si eğitim görüntüsü olmak üzere 1000 görsel bulunmaktadır.
Ancak, bu veri setindeki eğitim görüntülerinin temiz olmadığı, ayrıca bazı gürültü verileri içerdiği ve bazı etiketlerin yanlış olduğu unutulmamalıdır.
Bu veri setinde, tüm resimler 512 piksel maksimum kenar uzunluğu ile yeniden boyutlandırılmıştır. Veri setinin toplam boyutu 5 GB'dir ve aşağıdaki kodla alınabilir:
Tar.gz dosyasını aşağıdaki kod bloğuyla açın:
Yazılım ve donanım hazır ve veri seti de hazır, artık eğitime başlayabilirsiniz. Küçük erkek kardeş, modeli eğitmeye başlamak için Resnet-34 CNN mimarisini kullandı ve Google bulut platformundaki çalışma süresi yaklaşık bir saatti.
Modeli eğitmek için kod aşağıdaki adreste bulunabilir:
https://github.com/npatta01/web-deep-learning-classifier
Bu görüntüleri okumak için ImageDataBunch'ı kullanın:
Bu veriler resnet34 üzerinde önceden eğitilmiştir ve şimdi yalnızca en iyi öğrenme oranını belirlemek için doğrudan çalıştırılması gerekir.
Bu durumda, öğrenme oranı = 0.01 olduğunda en iyi sonucu verir:
Araştırmacılar ayrıca daha karmaşık mimariler de çalıştırdılar. 101 veri kategorisi ve GPU işlem süresi ve depolama koşulları olduğunu göz önünde bulundurarak, sonunda basit bir Resnet34 mimarisi seçtiler.
Daha sonra 8 iterasyon için 0.01 öğrenme oranıyla hata oranı% 28.9'a düşürüldü.
Daha sonra, küçük kardeş ağın son birkaç katmanını çözerek yeni bir öğrenme hızı arar.
5 yinelemeden sonra, hata oranı% 28.9'dan% 28.1'e düştü.
Karışıklık matrisi, aşağıdaki gıda kategorilerinin genellikle yanlış sınıflandırıldığını göstermektedir:
Çıktı derin öğrenme modeli
Bu derin öğrenme modelinin çıktısına model.pth (veya final.pth) adında bir ağırlık dosyası eşlik eder. Eğitmek için bu öğreticiyi takip ederseniz, modelin depolama konumu model kod bloğundadır.
Final.pth dosyası Jupyter'den bilgisayarınıza indirilebilir.
Model.pth dosyası git commit'e sığmayacak kadar büyük olabilir. İşte bazı çözümler:
1. Google Drive'da saklayın
2. GitHub sürümlerinde depolandı
3. Buluttaki bir kovada depolandı
İki yabancı kardeş, modellerini adresteki GitHub sürümlerinde sakladı:
https://github.com/npatta01/web-deep-learning-classifier/releases
Web üzerinden dağıtın
Model eğitildikten sonra, dağıtım aşaması nihayet başlayabilir. Brother bu depoyu şablon olarak kullanır:
https://github.com/npatta01/web-deep-learning-classifier
Ve Heroku uygulamasının girdisi olarak model.pth sınıflandırıcı algoritmasının çıktısını kullanın.
Gerekli dosya güncellemesi
Bu web tarafı uygulamayı çalıştırmak istiyorsanız, önce aşağıdakileri yapmanız gerekir:
1. Bu içerikleri src / config.yaml dosyasında güncelleyin:
- Başlık
- açıklama
- hakkında
- kodu
- sampleImages
2. docs / 2_heroku_app.md dosyasındaki uygulama adını APP_NAME = food-img-classifier olarak değiştirin.
Heroku'yu yükleyin
Bir Heroku hesabınız yoksa, lütfen kaydolun (www.heroku.com).
Kodunuzda APP_NAME uygulamasını güncellemeyi unutmayın:
Not: 15 dakika içinde herhangi bir işlem yapılmazsa Heroku askıya alınacak, web uygulaması tekrar uyandığında Heroku tekrar uyanacaktır.
Modeli mobil cihaza dağıtın
Önce depo adresini gönderin:
https://github.com/npatta01/mobile-deep-learning-classifier
Gerekli dosya güncellemesi
Bu uygulamayı telefonunuzda çalıştırmak istiyorsanız, aşağıdakileri yapmanız gerekir:
Config.js dosyasında, aşağıdaki kod bloğunu güncelleyin:
- AppConfig
- başlığı güncelle
- ana bilgisayarı heroku uygulama url'sine yönlendir
- açıklama
Küçük kardeş aynı zamanda cep telefonuna yiyecek sınıflandırma uygulamasının demosunu da koydu:
https://www.youtube.com/watch?reload=9v=7d2qFLeYvRc
Maliyet tahmini
Son olarak, bu işlemleri tamamlamak için gereken ekonomik maliyetleri tahmin ettim:
1. Apple mağazası geliştirici hesabı kayıt ücreti: 100 ABD doları
2. Android Google Play kayıt ücreti: 30 ABD doları
Pekala ~ Bu ayrıntılı öğreticinin sonu ve başlayabilirsiniz.
Portal
Orijinal eğitim:
https://reshamas.github.io/deploying-deep-learning-models-on-web-and-mobile/
Web sürümü Demo adresi:
https://food-img-classifier.herokuapp.com/
İOS sürümünün demo adresi:
https://itunes.apple.com/us/app/food-classifier/id1445356461?mt=8
Demo adresinin Android sürümü:
https://play.google.com/store/apps/details?id=com.rsnp.foodclassifier
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! Ayrıntılar için, lütfen QbitAI diyalog arayüzünde "işe alım" kelimesiyle yanıt verin.
Qubit QbitAI · Toutiao İmzalayan Yazar
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin
