Kandungan
- Menyediakan dataset anda
- Tuntut percubaan percuma Google Cloud Platform anda
- Buat projek GCP baharu
- Dayakan API AutoML Awan dan Penyimpanan
- Buat baldi Storan Awan
- Masa untuk melatih: Membina dataset anda
- Latih model pembelajaran mesin anda
- Seberapa tepat model anda?
- Letakkan model anda ke ujian!
- Mengakhiri
Pembelajaran Mesin (ML) adalah konsep sound-fi yang membunyikan komputer yang mengajar diri mereka sendiri. Dalam ML, anda membekalkan beberapa data yang mewakili jenis kandungan yang anda mahu model pembelajaran mesin diproses secara automatik, dan kemudian model mengajar sendiri berdasarkan data tersebut.
Pembelajaran mesin mungkin canggih, tetapi ia juga mempunyai besar halangan untuk masuk. Sekiranya anda ingin menggunakan apa-apa jenis ML, maka anda biasanya perlu menyewa pakar pembelajaran mesin atau saintis data, dan kedua-dua profesion ini kini sangat tinggi!
Visi AutoML Cloud Cloud adalah perkhidmatan pembelajaran mesin baru yang bertujuan untuk membawa ML kepada orang ramai dengan menjadikannya mungkin untuk membuat model pembelajaran mesin, walaupun anda mempunyai pengalaman ML sifar. Menggunakan Visi AutoML Cloud, anda boleh membuat model pengenalan imej yang mampu mengenal pasti kandungan dan corak dalam gambar, dan kemudian gunakan model ini untuk memproses gambar berikutnya secara automatik.
ML berasaskan jenis ini boleh digunakan dalam banyak cara yang berbeza. Mahu buat aplikasi yang menyediakan maklumat tentang mercu tanda, produk atau kod bar pengguna menunjuk telefon pintar mereka di? Atau adakah anda ingin membuat sistem carian yang kuat yang membolehkan pengguna menapis beribu-ribu produk berdasarkan faktor seperti bahan, warna, atau gaya? Semakin banyak, pembelajaran mesin adalah salah satu cara yang paling berkesan untuk menyampaikan fungsi seperti ini.
Walaupun masih dalam versi beta, anda sudah boleh menggunakan Visi Auto Cloud untuk membina model pembelajaran mesin tersuai yang mengenal pasti corak dan kandungan dalam foto. Sekiranya anda ingin tahu apa semua buzz pembelajaran mesin adalah mengenai, maka dalam artikel ini saya akan menunjukkan kepada anda bagaimana untuk membina model pengenalan imej anda sendiri, dan kemudian menggunakannya memproses foto baru secara automatik.
Menyediakan dataset anda
Apabila bekerja dengan AutoML Cloud, anda akan menggunakan foto bertanda sebagai set data anda. Anda boleh menggunakan mana-mana foto atau label yang anda suka, tetapi untuk membantu memastikan tutorial ini mudah saya akan membuat model mudah yang dapat membezakan antara foto anjing, dan gambar kucing.
Apa pun model spesifik anda, langkah pertama adalah mencari beberapa gambar yang sesuai!
Visi Auto Cloud Cloud memerlukan sekurang-kurangnya 10 imej setiap label, atau 50 untuk model canggih, contohnya model di mana mereka akan menjadi berbilang label bagi setiap imej. Walau bagaimanapun, lebih banyak data yang anda berikan, semakin tinggi peluang model untuk mengenal pasti kandungan seterusnya, maka dokumen Visi AutoML mengesyorkan bahawa anda menggunakan sekurang-kurangnya 100 contoh per model. Anda juga harus memberikan kira-kira jumlah contoh yang sama setiap label, sebagai pengedaran yang tidak adil akan menggalakkan model menunjukkan kecenderungan ke arah kategori "paling popular".
Untuk hasil yang terbaik, imej latihan anda harus mewakili pelbagai imej yang akan ditemui model ini, contohnya anda mungkin perlu memasukkan imej yang diambil pada sudut yang berbeza, pada resolusi yang lebih tinggi dan lebih rendah, dan dengan latar belakang yang berlainan. AutoML Vision menerima imej dalam format berikut: JPEG, PNG, WEBP, GIF, BMP, TIFF, dan ICO, dengan saiz fail maksimum 30MB.
Oleh kerana kami hanya bereksperimen dengan perkhidmatan Cloud AutoML Cloud, kemungkinan anda akan membuat dataset secepat mungkin. Untuk membantu perkara yang mudah, saya akan memuat turun sekumpulan gambar saham percuma anjing dan kucing dari Peksel, dan kemudian menyimpan gambar kucing dan anjing di folder berasingan, kerana ini akan memudahkan untuk memuat naik foto-foto ini kemudian.
Perhatikan bahawa apabila membina dataset untuk digunakan dalam pengeluaran, anda harus mengambil kira amalan AI yang bertanggungjawab, untuk membantu mencegah rawatan yang tidak berat sebelah. Untuk mendapatkan maklumat lanjut tentang topik ini, lihat Panduan ML Inklusif Google dan dokumen Amalan AI yang Bertanggungjawab.
Terdapat tiga cara untuk memuat naik data anda kepada AutoMl Vision:
- Muat naik imej sudah disusun ke dalam folder yang sesuai dengan label anda.
- Import fail CSV yang mengandungi imej, ditambah label kategori yang berkaitan. Anda boleh memuat naik foto ini dari komputer tempatan anda, atau dari Google Cloud Storage.
- Muat naik imej anda menggunakan UI Wawasan Auto Cloud Google, dan kemudian aplikasikan label untuk setiap imej. Ini adalah kaedah yang saya akan gunakan dalam tutorial ini.
Tuntut percubaan percuma Google Cloud Platform anda
Untuk menggunakan Visi AutoML Cloud, anda memerlukan akaun Platform Awan Google (GCP). Jika anda tidak mempunyai akaun, maka anda boleh mendaftar untuk percubaan percuma 12 bulan dengan menuju ke Platform Coba Awan untuk halaman percuma, dan kemudian mengikuti arahan. Anda akan perlu memasukkan butiran kad debit atau kad kredit anda, tetapi mengikut FAQ Tahap Percuma, ini hanya digunakan untuk mengesahkan identiti anda dan anda tidak akan dikenakan bayaran melainkan anda menaik taraf ke akaun berbayar.
Keperluan lain, ialah anda perlu mengaktifkan pengebilan untuk projek AutoML anda. Jika anda baru sahaja mendaftar untuk percubaan percuma, atau anda tidak mempunyai sebarang maklumat bil yang dikaitkan dengan akaun GPC anda, maka:
- Kepala ke Konsol GCP.
- Buka menu navigasi (ikon berbaris di penjuru kiri sebelah atas skrin).
- Pilih "Pengebilan."
- Buka menu lungsur "Pengebilan Saya", diikuti dengan "Urus akaun pengebilan."
- Pilih "Buat akaun," dan kemudian ikut arahan pada skrin untuk membuat profil pengebilan.
Buat projek GCP baharu
Anda kini bersedia untuk membuat projek Visi Awan AutoML yang pertama:
- Teruskan ke halaman Urus sumber.
- Klik "Buat projek."
- Berikan projek anda nama, dan kemudian klik "Buat."
Sekiranya anda mempunyai berbilang akaun pengebilan, maka GCP harus bertanya akaun mana yang ingin anda kaitkan dengan projek ini. Jika anda mempunyai akaun bil tunggal dan anda pentadbir pengebilan, maka akaun ini akan dikaitkan dengan projek anda secara automatik.
Sebagai alternatif, anda boleh memilih akaun pengebilan secara manual:
- Buka menu navigasi Konsol GCP, dan kemudian pilih "Pengebilan."
- Pilih "Taipkan akaun pengebilan."
- Pilih "Tetapkan akaun," dan kemudian pilih akaun pengebilan yang anda ingin kaitkan dengan projek ini.
Dayakan API AutoML Awan dan Penyimpanan
Apabila mencipta model anda, anda akan menyimpan semua imej latihan anda dalam baldi Awan Penyimpanan, jadi kami perlu mendayakan AutoML dan API Penyimpanan Awan Google:
- Buka menu navigasi GCP dan pilih "API & Perkhidmatan> Papan Pemuka."
- Klik "Dayakan API dan Perkhidmatan."
- Mula menaip "API AutoML Cloud," dan kemudian pilih apabila ia muncul.
- Pilih "Dayakan."
- Navigasi kembali ke "API & Perkhidmatan> Papan Pemuka> Aktifkan API dan Perkhidmatan" skrin.
- Mula menaip "Storan Google Cloud," dan pilih apabila ia muncul.
- Pilih "Dayakan."
Buat baldi Storan Awan
Kami akan membuat baldi Awan Penyimpanan kami menggunakan Cloud Shell, yang merupakan mesin maya berasaskan Linux dalam talian:
- Pilih ikon "Aktifkan Google Cloud Shell" dari bar pengepala (di mana kursor diletakkan di tangkapan skrin berikut).
- Sesi Awan Shell kini akan dibuka di bahagian bawah konsol. Tunggu sementara Google Cloud Shell menyambung ke projek anda.
- Salin / tampal perintah berikut ke Google Cloud Shell:
PROJECT = $ (projek gcloud config get-value) && BUCKET = "$ {PROJECT} -vcm"
- Tekan kekunci "Enter" pada papan kekunci anda.
- Salin / tampal perintah seterusnya ke Google Cloud Shell:
gsutil mb -p $ {PROJECT} -k wilayah -l us-central1 gs: // $ {BUCKET}
- Tekan kekunci "Enter".
- Berikan kebenaran AutoML untuk mengakses sumber Google Cloud anda, dengan menyalin / menampalkan perintah berikut, dan kemudian menekan kekunci "Enter":
PROJECT = $ (projek get-value config gcloud) projek gcloud tambah $ i-dasar-mengikat $ PROJEK --member = "serviceAccount: [email protected]" --role = "peranan / ml. admin "gcloud projects add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" role / storage.admin "
Masa untuk melatih: Membina dataset anda
Dengan persediaan ini, kami sedia untuk memuat naik dataset kami! Ini melibatkan:
- Membuat dataset kosong.
- Mengimport foto ke dalam dataset.
- Berikan sekurang-kurangnya satu label kepada setiap foto. Visi AutoML sepenuhnya akan mengabaikan sebarang foto yang tidak mempunyai label.
Untuk membuat proses pelabelan lebih mudah, saya akan memuat naik dan melabel semua gambar anjing saya, sebelum menangani gambar kucing:
- Beralih ke UI Wawasan AutoML (masih dalam beta pada masa penulisan).
- Pilih "Dataset Baharu."
- Berikan dataset anda nama deskriptif.
- Klik "Pilih fail."
- Di tetingkap berikutnya, pilih semua gambar anjing anda, kemudian klik "Terbuka."
- Oleh kerana imej kami tidak mempunyai lebih daripada satu label, kami boleh meninggalkan "Dayakan klasifikasi berbilang label" yang dipilih. Klik "Buat Dataset."
Sebaik sahaja muat naik selesai, UI Wawasan Auto Cloud akan membawa anda ke skrin yang mengandungi semua imej anda, ditambah pecahan mana-mana label yang telah anda gunakan untuk dataset ini.
Oleh kerana dataset kami pada masa ini hanya mengandungi gambar anjing, kami boleh melabelkannya beramai-ramai:
- Di menu sebelah kiri, pilih "Tambah label."
- Ketik "anjing," dan kemudian tekan kekunci "Enter" pada papan kekunci anda.
- Klik "Pilih semua imej."
- Buka lajur "Label", dan pilih "anjing."
Kini kami telah melabelkan semua gambar anjing kami, tiba masanya untuk memindahkan gambar kucing:
- Pilih "Tambah imej" dari bar pengatas.
- Pilih "Muat naik dari komputer anda."
- Pilih semua gambar kucing anda, kemudian klik "Terbuka."
- Di menu sebelah kiri, pilih "Tambah label."
- Ketik "kucing" dan kemudian tekan kekunci "Enter" pada papan kekunci anda.
- Pergi melalui dan pilih setiap foto kucing, dengan melayang di atas imej dan kemudian mengklik ikon tanda semak sedikit apabila ia muncul.
- Buka lajur "Label", dan pilih "Kucing."
Latih model pembelajaran mesin anda
Sekarang kita mempunyai dataset kami, sudah tiba masanya untuk melatih model kami! Anda menerima satu pengiraan jam latihan percuma setiap model sehingga 10 model setiap bulan, yang mewakili penggunaan pengiraan dalaman, dan oleh itu mungkin tidak berkaitan dengan jam sebenar pada jam.
Untuk melatih model anda, semata-mata:
- Pilih tab "Keretapi" UI Wawasan AutoML.
- Klik "Mula latihan."
Masa yang diambil oleh Visi Auto Cloud Cloud untuk melatih model anda akan berbeza-beza bergantung kepada jumlah data yang telah anda berikan, walaupun menurut dokumen rasmi ia perlu mengambil masa kira-kira 10 minit. Setelah model anda dilatih, Cloud AutoML Vision akan menggunakannya secara automatik, dan menghantar e-mel memberitahu anda bahawa model anda kini sudah siap digunakan.
Seberapa tepat model anda?
Sebelum meletakkan model anda ke ujian, anda mungkin ingin membuat beberapa tweak, untuk memastikan ramalannya adalah setepat mungkin.
Pilih tab "Evaluasi", dan kemudian pilih salah satu daripada penapis anda dari menu sebelah kiri.
Pada ketika ini, UI Penglihatan AutoML akan memaparkan maklumat berikut untuk label ini:
- Nilai ambang. Ini adalah tahap keyakinan model mesti ada, untuk memberikan label kepada foto baru. Anda boleh menggunakan gelangsar ini untuk menguji impak ambang yang berbeza akan ada pada dataset anda, dengan mengawasi hasil dalam graf penarik tepat. Ambang yang lebih rendah bermakna model anda akan mengklasifikasikan lebih banyak imej, tetapi terdapat peningkatan risiko gambar yang tidak dikenalinya. Sekiranya ambang itu tinggi, model anda akan mengklasifikasikan imej yang lebih sedikit, tetapi ia juga harus membezakan lebih sedikit imej.
- Ketepatan purata. Ini adalah seberapa baik model anda melakukan semua ambang skor, dengan 1.0 ialah skor maksimum.
- Ketepatan. Semakin tinggi ketepatan, semakin sedikit positif palsu yang perlu anda hadapi, di mana model itu menggunakan label yang salah kepada imej. Model ketepatan tinggi akan melabel hanya contoh yang paling relevan.
- Ingat. Daripada semua contoh yang sepatutnya diberikan label, ingatlah, berapa banyak daripada mereka yang sebenarnya diberi label. Semakin tinggi peratusan kenaikkan, semakin sedikit negatif negatif yang perlu anda hadapi, di mana model gagal melabel imej.
Letakkan model anda ke ujian!
Sekarang ada bahagian yang menyeronokkan: semak sama ada model anda boleh mengenal pasti sama ada gambar mengandungi anjing atau kucing, dengan menjana ramalan berdasarkan data yang tidak dilihat sebelum ini.
- Dapatkan gambar itu tidak termasuk dalam dataset asal anda.
- Dalam Konsol Visi AutoML, pilih tab "Ragu".
- Pilih "Muat naik imej."
- Pilih imej yang anda mahu Visi AutoML untuk menganalisis.
- Selepas beberapa saat, model anda akan membuat ramalannya - mudah-mudahan, betul!
Ambil perhatian bahawa semasa penglihatan Cloud AutoML berada dalam beta, mungkin terdapat kelewatan pemanasan dengan model anda. Sekiranya permintaan anda kembali ralat, tunggu beberapa saat sebelum cuba lagi.
Mengakhiri
Dalam artikel ini, kami melihat bagaimana anda boleh menggunakan Visi Awan AutoML untuk melatih dan menggunakan model pembelajaran tersuai. Adakah anda berfikir bahawa alat seperti AutoML mempunyai potensi untuk mendapatkan lebih banyak orang menggunakan pembelajaran mesin? Beritahu kami dalam komen di bawah!
