Conţinut

• Pregătirea setului de date
• Revendicați încercarea dvs. gratuită Google Cloud Platform
• Creați un nou proiect GCP
• Activați API-urile Cloud AutoML și de stocare
• Creați o găleată de stocare în cloud
• Timpul de formare: Construirea setului dvs. de date
• Instruirea modelului tău de învățare automată
• Cât de exact este modelul dvs.?
• Puneți modelul la încercare!
• Înveliți

Învățarea automată (ML) este conceptul de sunet sci-fi al computerelor care se predau singure. În ML, furnizați unele date care reprezintă tipul de conținut pe care doriți să îl proceseze automat modelul de învățare automată, iar apoi modelul se învață pe baza acestor date.

Învățarea mașinii poate fi de ultimă oră, dar are și o imens bariera de intrare. Dacă doriți să utilizați orice tip de ML, atunci de obicei, va trebui să angajați un expert în învățarea mașinilor sau un om de știință de date, iar ambele profesii au în prezent o cerere foarte mare!

Cloud AutoML Vision de la Google este un nou serviciu de învățare automată care își propune să aducă ML în masă, făcând posibilă crearea unui model de învățare automată, chiar dacă aveți experiență zero ML. Folosind Cloud AutoML Vision, puteți crea un model de recunoaștere a imaginii care este capabil să identifice conținutul și modelele din fotografii, apoi puteți folosi acest model pentru a procesa automat imaginile ulterioare.

Acest tip de ML bazat pe vizual poate fi utilizat în mai multe moduri diferite. Doriți să creați o aplicație care oferă informații despre un reper, produs sau cod de bare la care utilizatorul își îndreaptă smartphone-ul? Sau doriți să creați un sistem de căutare puternic care să permită utilizatorilor să filtreze mii de produse pe baza unor factori precum material, culoare sau stil? Învățarea automată este una dintre cele mai eficiente modalități de a furniza acest tip de funcționalitate.

Deși este încă în versiune beta, puteți utiliza deja Cloud AutoML Vision pentru a construi modele personalizate de învățare a mașinilor care identifică modele și conținut în fotografii. Dacă sunteți nerăbdător să descoperiți despre ce este vorba despre toate problemele de învățare a mașinii, atunci în acest articol vă voi arăta cum să vă construiți propriul model de recunoaștere a imaginii și apoi să-l folosiți pentru a procesa automat noi fotografii.

Pregătirea setului de date

Când lucrați cu Cloud AutoML, veți folosi fotografii etichetate ca seturi de date. Puteți utiliza orice fotografii sau etichete pe care le doriți, dar pentru a ajuta la menținerea acestui tutorial direct, voi crea un model simplu care poate face distincția între fotografiile câinilor și fotografiile pisicilor.

Indiferent de specificul modelului dvs., primul pas este furnizarea unor fotografii adecvate!

Cloud AutoML Vision necesită cel puțin 10 imagini pe etichetă sau 50 pentru modele avansate, de exemplu modele în care vor fi mai multe etichete pe imagine. Cu toate acestea, cu cât furnizați mai multe date, cu atât sunt mai mari șansele modelului de a identifica corect conținutul ulterior, astfel încât documentele AutoML Vision recomandă utilizarea macar 100 de exemple pe model. De asemenea, ar trebui să furnizați aproximativ același număr de exemple pe etichetă, deoarece o distribuție nedreaptă va încuraja modelul să prezinte părtinirea față de cea mai „populară” categorie.

Pentru cele mai bune rezultate, imaginile dvs. de antrenament ar trebui să reprezinte varietatea de imagini pe care le va întâlni acest model, de exemplu, poate fi necesar să includeți imagini realizate în unghiuri diferite, la rezoluții mai mari și mai mici și cu fundaluri diferite. AutoML Vision acceptă imagini în următoarele formate: JPEG, PNG, WEBP, GIF, BMP, TIFF ȘI ICO, cu dimensiunea maximă a fișierului de 30 MB.

Întrucât doar experimentăm cu serviciul Cloud AutoML Vision, este posibil să creezi un set de date cât mai rapid și ușor posibil. Pentru a vă menține lucrurile simple, voi descărca o grămadă de fotografii gratuite de câini și pisici din Pexels și apoi voi depozita fotografiile pentru pisici și câini în foldere separate, deoarece acest lucru va face mai ușor să încărcați aceste fotografii mai târziu.

Rețineți că atunci când construiți seturi de date pe care să le utilizați în producție, ar trebui să luați în considerare practicile AI responsabile, pentru a ajuta la prevenirea tratamentului prejudiciabil. Pentru mai multe informații despre acest subiect, consultați documentele Google Inclusive ML and Practices AI Responsible AI.

Există trei moduri de a încărca datele dvs. în AutoMl Vision:

• Încărcați imaginile sortate deja în dosare care corespund etichetelor dvs.
• Importați un fișier CSV care conține imaginile, plus etichetele lor de categorii asociate. Puteți încărca aceste fotografii de pe computerul dvs. local sau de la Google Cloud Storage.
• Încărcați-vă imaginile folosind Google Cloud AutoML Vision UI, apoi aplicați etichete pentru fiecare imagine. Aceasta este metoda pe care o voi folosi în acest tutorial.

Revendicați încercarea dvs. gratuită Google Cloud Platform

Pentru a utiliza Cloud AutoML Vision, veți avea nevoie de un cont Google Cloud Platform (GCP). Dacă nu aveți un cont, atunci vă puteți înscrie la o probă gratuită de 12 luni, accesând pagina de încercare Cloud Cloud pentru pagina gratuită, urmând instrucțiunile. Tu voi trebuie să introduceți detaliile cardului de debit sau de credit, dar în conformitate cu întrebările frecvente de nivel gratuit, acestea sunt folosite doar pentru a vă verifica identitatea și nu veți fi taxat decât dacă faceți upgrade la un cont plătit.

Cealaltă cerință este aceea că trebuie să activați facturarea pentru proiectul dvs. AutoML. Dacă v-ați înscris doar pentru o probă gratuită sau nu aveți nicio informație de facturare asociată contului dvs. GPC, atunci:

• Întoarceți-vă la Consola GCP.
• Deschideți meniul de navigare (pictograma căptușită în colțul din stânga sus al ecranului).
• Selectați „Facturare”.
• Deschideți meniul derulant „Facturarea mea”, urmat de „Gestionați conturile de facturare”.
• Selectați „Creare cont”, apoi urmați instrucțiunile de pe ecran pentru a crea un profil de facturare.

Creați un nou proiect GCP

Acum sunteți gata să creați primul dvs. proiect Cloud AutoML Vision:

• Întoarceți-vă la pagina Gestionare resurse.
• Faceți clic pe „Creare proiect”.
• Dați un nume proiectului dvs., apoi faceți clic pe „Creare”.

Dacă aveți mai multe conturi de facturare, atunci GCP ar trebui să întrebe ce cont doriți să vă asociați cu acest proiect. Dacă aveți un singur cont de facturare și sunteți administratorul de facturare, atunci acest cont va fi conectat automat la proiectul dvs.

Alternativ, puteți selecta un cont de facturare manual:

• Deschideți meniul de navigare al Consolei GCP, apoi selectați „Facturare”.
• Selectați „Conectați un cont de facturare”.
• Selectați „Setare cont”, apoi alegeți contul de facturare pe care doriți să îl asociați cu acest proiect.

Activați API-urile Cloud AutoML și de stocare

Când creați modelul dvs., veți stoca toate imaginile de antrenament într-o găleată de stocare în cloud, deci trebuie să activăm AutoML și API-urile de stocare Google Cloud:

• Deschideți meniul de navigare GCP și selectați „API-uri și servicii> Tablou de bord”.
• Faceți clic pe „Activați API-uri și servicii”.
• Începeți să tastați „Cloud AutoML API”, apoi selectați-o când apare.
• Alegeți „Activare”.
• Navigați înapoi la ecranul „API și servicii> Tablou de bord> Activați API-uri și servicii”.
• Începeți să tastați „Google Cloud Storage” și să-l selectați când apare.
• Alegeți „Activare”.

Creați o găleată de stocare în cloud

Vom crea secțiunea Cloud Storage folosind Cloud Shell, care este o mașină virtuală online, bazată pe Linux:

• Selectați pictograma „Activați Google Cloud Shell” din bara antetului (unde este poziționat cursorul în imaginea următoare).

• O sesiune Cloud Shell se va deschide de-a lungul părții de jos a consolei. Așteptați în timp ce Google Cloud Shell se conectează la proiectul dvs.
• Copiați / inserați următoarea comandă în Google Cloud Shell:

PROJECT = $ (gcloud config get-value project) && BUCKET = "$ {PROJECT} -vcm"

• Apăsați tasta „Enter” de pe tastatură.
• Copiați / inserați următoarea comandă în Google Cloud Shell:

gsutil mb -p $ {PROJECT} -c regional -l us-central1 gs: // $ {BUCKET}

• Apăsați tasta „Enter”.
• Acordă permisiunea Serviciului AutoML pentru a accesa resursele Google Cloud, copiind / lipind următoarea comandă, apoi apăsând tasta „Enter”:

PROJECT = $ (gcloud config get-value project) gcloud proiecte add-iam-policy-binding $ PROJECT --member = "serviceAccount: [email protected]" --role = "role / ml. admin "proiecte gcloud add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" roles / storage.admin "

Timpul de formare: Construirea setului dvs. de date

Cu această configurație ieșită din drum, suntem acum pregătiți să încărcăm setul nostru de date! Aceasta implică:

1. Crearea unui set de date gol.
2. Importarea fotografiilor în setul de date.
3. Alocarea a cel puțin unei etichete fiecărei fotografii. AutoML Vision va ignora complet toate fotografiile care nu au o etichetă.

Pentru a facilita procesul de etichetare, voi încărca și eticheta toate fotografiile câinelui meu înainte de a aborda fotografiile pisicii:

• Întoarceți-vă la interfața de utilizare AutoML Vision (încă în versiune beta la momentul scrierii).
• Selectați „Set de date nou”.
• Dați unui set de date un nume descriptiv.
• Faceți clic pe „Selectează fișiere”.
• În fereastra următoare, selectați toate fotografiile câinelui dvs., apoi faceți clic pe „Deschide”.
• Întrucât imaginile noastre nu au mai mult de o etichetă, putem lăsa „Deschide clasificarea cu mai multe etichete” deselectată. Faceți clic pe „Creare set de date”.

Odată încărcarea finalizată, Cloud AutoML Vision UI vă va duce la un ecran care conține toate imaginile dvs., plus o defalcare a oricărei etichete pe care le-ați aplicat acestui set de date.

Din moment ce setul nostru de date conține doar imagini cu câini, le putem eticheta în masă:

• În meniul din stânga, selectați „Adaugă etichetă”.
• Tastați „câine”, apoi apăsați tasta „Enter” de pe tastatură.
• Faceți clic pe „Selectați toate imaginile”.
• Deschideți funcția verticală „Etichetă” și alegeți „câine”.

Acum am etichetat toate fotografiile câinelui nostru, este timpul să trecem la fotografiile pisicii:

• Selectați „Adaugă imagini” din bara antetului.
• Alegeți „Încărcați de pe computer”.
• Selectați toate fotografiile pisicii dvs., apoi faceți clic pe „Deschide”.
• În meniul din stânga, selectați „Adaugă etichetă”.
• Tastați „pisica” și apoi apăsați tasta „Enter” de pe tastatură.
• Parcurgeți și selectați fiecare fotografie de pisică, trecând peste imaginea și apoi faceți clic pe pictograma micului marcaj când apare.
• Deschideți funcția verticală „Etichetă” și alegeți „Pisică”.

Instruirea modelului tău de învățare automată

Acum avem setul nostru de date, este timpul să ne instruim modelul! Primesti unul calcula ora de pregătire gratuită pe model pentru maxim 10 modele în fiecare lună, ceea ce reprezintă utilizarea internă a calculelor și, prin urmare, nu poate fi corelat cu o oră reală la ceas.

Pentru a vă antrena modelul, pur și simplu:

• Selectați fila „Tren” a UI AutoML Vision.
• Faceți clic pe „Începeți antrenamentul”.

Timpul care necesită Cloud AutoML Vision pentru a vă antrena modelul va varia în funcție de cantitatea de date pe care le-ați furnizat, deși conform documentelor oficiale ar trebui să dureze aproximativ 10 minute. După ce modelul dvs. a fost instruit, Cloud AutoML Vision îl va implementa automat și va trimite un e-mail care vă anunță că modelul dvs. este acum gata de utilizare.

Cât de exact este modelul dvs.?

Înainte de a pune modelul la încercare, poate doriți să faceți câteva modificări, pentru a vă asigura că previziunile sale sunt cât se poate de precise.

Selectați fila „Evaluare”, apoi selectați unul dintre filtrele dvs. din meniul din stânga.

În acest moment, UI AutoML Vision va afișa următoarele informații pentru această etichetă:

• Pragul de scor. Acesta este nivelul de încredere pe care trebuie să îl aibă modelul, pentru a atribui o etichetă unei noi fotografii. Puteți utiliza acest glisor pentru a testa impactul pe care îl vor avea diferite praguri asupra setului dvs. de date, monitorizând rezultatele în graficul de precizare însoțitor. Pragurile inferioare înseamnă că modelul dvs. va clasifica mai multe imagini, dar există un risc crescut de a identifica greșit fotografiile. Dacă pragul este mare, atunci modelul dvs. va clasifica mai puține imagini, dar ar trebui să identifice greșit mai puține imagini.
• Precizie medie. La fel de bine funcționează modelul dvs. în toate pragurile de scor, 1.0 fiind scorul maxim.
• Precizie. Cu cât este mai mare precizia, cu atât ar trebui să întâlniți mai puține falsuri pozitive, de aceea modelul aplică etichetei greșite unei imagini. Un model de înaltă precizie va eticheta doar cele mai relevante exemple.
• Recall. Din toate exemplele care ar fi trebuit să i se atribuie o etichetă, reamintirea ne spune câte dintre ele au fost de fapt atribuite o etichetă. Cu cât este mai mare procentul de rechemare, cu atât sunt mai puține negative false, ceea ce este în cazul în care modelul nu reușește să eticheteze o imagine.

Puneți modelul la încercare!

Acum vine partea amuzantă: verificarea dacă modelul dvs. poate identifica dacă o fotografie conține un câine sau o pisică, generând o predicție bazată pe date pe care nu le-a mai văzut.

• Realizează o fotografie care nu a fost inclus în setul de date original.
• În AutoML Vision Console, selectați fila „Predict”.
• Selectați „Încărcați imagini”.
• Alegeți imaginea pe care doriți să o analizeze AutoML Vision.
• După câteva momente, modelul dvs. își va face predicția - sperăm că este corect!

Rețineți că, în timp ce viziunea Cloud AutoML este în versiune beta, poate exista o întârziere de încălzire cu modelul dvs. Dacă solicitarea dvs. returnează o eroare, atunci așteptați câteva secunde înainte de a încerca din nou.

Înveliți

În acest articol, am analizat cum puteți utiliza Cloud AutoML Vision pentru a instrui și a implementa un model de învățare personalizat. Credeți că instrumente precum AutoML au potențialul de a atrage mai multe persoane care folosesc învățarea automată? Spuneți-ne în comentariile de mai jos!