Классификация изображений в Azure Custom Vision
Azure Custom Vision — это служба компьютерного зрения, предлагаемая Microsoft Azure, которая позволяет пользователям создавать настраиваемые модели компьютерного зрения для классификации изображений и обнаружения объектов. Это интерфейс без кода, который упрощает процесс создания моделей компьютерного зрения без обучения на основе кода. Используя очень удобный пользовательский интерфейс, комплексное решение для классификации изображений/обнаружения объектов можно разработать с нуля, не написав ни одной строки кода.
В этой статье мы узнаем, как создавать устойчивые модели Custom Vision после создания ресурса Custom Vision.
Преимущества использования Custom Vision:
- Интерфейс без кода упрощает использование.
- Опыт работы с кодированием для глубокого обучения/машинного обучения не требуется.
- Требуется только подписка Azure, внешних зависимостей нет.
- Модели отличаются высокой надежностью и точностью.
Создание моделей:
Шаг 1. Войдите на портал Custom Vision, используя свои учетные данные Azure.
Примечание . Если у вас нет подписки Azure, вы можете выбрать бесплатную версию Azure для учащихся.
Шаг 2. Нажмите «Новый проект» на портале и заполните спецификации для проекта пользовательского технического зрения, который вы хотите создать.
Name: Name of your choice Description: Valid description for your project Resource: Resource Group created beforehand Project type: Classification Classification types: Multiclass (single tag per image) Domains: General [A2]
Шаг 3. Нажмите «Создать проект».
Теперь вы попадете на панель тренировочных изображений на портале пользовательского зрения.
Шаг 4. Нажмите «Добавить изображения» , чтобы выбрать изображения, на которых вы хотите обучить свою модель, а затем выберите соответствующие теги или «метки» для ваших изображений. В нашем примере только одна метка/класс может быть связана с одним данным изображением.
Если вы работаете с бинарной классификацией (только 2 класса), параметр «Отрицательный» для тега будет отображаться по умолчанию.
Шаг 5. Нажмите «Загрузить все ___ изображения» , когда закончите.
Шаг 6. После того, как изображения были помечены/помечены и загружены, пришло время обучить вашу модель на основе изображений.
Шаг 7. Нажмите кнопку «Обучение» в правом верхнем углу экрана и выберите «Быстрое обучение». Щелкните Обучить.
Шаг 8. После завершения обучения (ориентировочно через 15–20 минут) вы можете взглянуть на показатели производительности модели, перейдя на вкладку «Производительность» . Вы можете анализировать показатели Precision, Recall и Average Precision (AP).
Шаг 9. Если вы недовольны производительностью вашей модели, вы можете обучить ее снова. Когда вы будете удовлетворены метриками, вы можете проверить их производительность на образцах изображений, перейдя к кнопке «Быстрый тест» .
Шаг 10. Загрузите файл изображения или вставьте URL-адрес изображения в поле «Быстрый тест» и получите результаты прогноза.
Вот как вы можете обучить пользовательскую модель зрения на основе ваших собственных изображений и протестировать ее производительность на нескольких изображениях. Чем больше набор данных изображений, используемый для обучения модели, тем выше ее производительность.