Obsah

• Příprava datového souboru
• Získejte bezplatnou zkušební verzi platformy Google Cloud Platform
• Vytvořte nový projekt GCP
• Povolte rozhraní API Cloud AutoML a Storage
• Vytvořte kbelík cloudového úložiště
• Čas na trénink: Sestavení datového souboru
• Vycvičte si model strojového učení
• Jak přesný je váš model?
• Vyzkoušejte svůj model!
• Zabalení

Strojové učení (ML) je sci-fi zvuková koncepce počítačů, které se učí samy. V ML zadáte některá data představující typ obsahu, který chcete, aby model strojového učení pracoval automaticky, a poté se model na základě těchto dat učí.

Strojové učení může být špičkové, ale také má obrovský překážka vstupu. Pokud chcete použít jakýkoli druh ML, musíte obvykle najmout odborníka na strojové učení nebo datového vědce a obě tyto profese jsou v současné době velmi žádané!

Cloud AutoML Vision společnosti Google je nová služba strojového učení, která si klade za cíl přivést ML k masám tím, že umožňuje vytvořit model strojového učení, i když máte nulové zkušenosti s ML. Pomocí Cloud AutoML Vision můžete vytvořit model rozpoznávání obrázků, který dokáže identifikovat obsah a vzory na fotografiích, a poté tento model použít k automatickému zpracování následných obrázků.

Tento druh vizuálně založeného ML lze použít mnoha různými způsoby. Chcete vytvořit aplikaci, která poskytuje informace o orientačním bodu, produktu nebo čárovém kódu, na který uživatel ukazuje svůj smartphone? Nebo chcete vytvořit výkonný vyhledávací systém, který uživatelům umožní filtrovat tisíce produktů na základě faktorů, jako je materiál, barva nebo styl? Strojové učení je stále více jedním z nejúčinnějších způsobů, jak zajistit tento druh funkčnosti.

Přestože je stále ve verzi beta, můžete již pomocí Cloud AutoML Vision vytvořit vlastní modely strojového učení, které identifikují vzory a obsah na fotografiích. Pokud se chcete dozvědět, o čem to všechno je strojové učení, pak v tomto článku vám ukážu, jak vytvořit svůj vlastní model rozpoznávání obrázků, a poté jej automaticky zpracovat.

Příprava datového souboru

Při práci s Cloud AutoML budete jako své datové sady používat označené fotografie. Můžete použít libovolné fotografie nebo štítky, které se vám líbí, ale k tomu, aby byl tento výukový program přímý, vytvořím jednoduchý model, který bude rozlišovat mezi fotografiemi psů a fotografiemi koček.

Bez ohledu na specifika vašeho modelu, prvním krokem je získání některých vhodných fotografií!

Cloud AutoML Vision vyžaduje nejméně 10 obrázků na štítek, nebo 50 pro pokročilé modely, například modely, u kterých bude více štítků na obrázek. Čím více údajů však poskytnete, tím vyšší je šance modelu na správnou identifikaci následného obsahu, takže dokumenty AutoML Vision doporučují použít alespoň 100 příkladů na model. Měli byste také uvést zhruba stejný počet příkladů na štítek, protože nespravedlivá distribuce povzbudí model, aby projevil zaujatost vůči nejoblíbenější kategorii.

Abyste dosáhli nejlepších výsledků, měly by vaše tréninkové obrázky představovat rozmanitost obrázků, se kterými se tento model setká, například budete možná muset zahrnout snímky pořízené v různých úhlech, ve vyšších a nižších rozlišeních as různým pozadím. AutoML Vision přijímá obrázky v následujících formátech: JPEG, PNG, WEBP, GIF, BMP, TIFF a ICO, s maximální velikostí souboru 30 MB.

Jelikož právě experimentujeme se službou Cloud AutoML Vision, je pravděpodobné, že budete chtít vytvořit dataset co nejrychleji a nejjednodušeji. Abych to nepomohl, stáhnu spoustu bezplatných fotografií psů a koček z Pexels a poté fotografie koček a psů uložím do samostatných složek, protože to usnadní pozdější nahrávání těchto fotek.

Pamatujte, že při vytváření datových sad pro použití ve výrobě byste měli brát v úvahu odpovědné postupy AI, abyste předešli předjímání. Další informace o tomto tématu naleznete v dokumentech Google Inclusive ML Guide a Responsible AI Practices.

Vaše data lze do AutoMl Vision nahrát třemi způsoby:

• Nahrajte již seřazené obrázky do složek, které odpovídají vašim štítkům.
• Importujte soubor CSV, který obsahuje obrázky, a jejich přidružené štítky kategorií. Tyto fotografie můžete nahrát z místního počítače nebo z úložiště Google Cloud Storage.
• Nahrajte obrázky pomocí uživatelského rozhraní Google Cloud AutoML Vision a poté na každý obrázek použijte štítky. Toto je metoda, kterou budu v tomto tutoriálu používat.

Získejte bezplatnou zkušební verzi platformy Google Cloud Platform

Abyste mohli používat Cloud AutoML Vision, budete potřebovat účet Google Cloud Platform (GCP). Pokud nemáte účet, můžete se zaregistrovat na 12měsíční bezplatnou zkušební verzi tak, že přejdete na stránku Vyzkoušejte cloudovou platformu zdarma a poté postupujte podle pokynů. Vy vůle musíte zadat údaje o své debetní nebo kreditní kartě, ale v souladu s nejčastějšími dotazy týkajícími se bezplatné úrovně se tyto údaje používají pouze k ověření vaší identity a nebudeme vám účtovat žádné poplatky, pokud upgradujete na placený účet.

Dalším požadavkem je, že musíte povolit fakturaci pro svůj projekt AutoML. Pokud jste se právě zaregistrovali do bezplatné zkušební verze nebo nemáte k vašemu účtu GPC přiřazeny žádné fakturační údaje, postupujte takto:

• Vydejte se do konzole GCP.
• Otevřete navigační nabídku (ikona lemovaná v levém horním rohu obrazovky).
• Vyberte možnost Fakturace.
• Otevřete rozbalovací nabídku „Moje fakturace“ a poté „Spravujte fakturační účty“.
• Vyberte možnost „Vytvořit účet“ a podle pokynů na obrazovce vytvořte fakturační profil.

Vytvořte nový projekt GCP

Nyní jste připraveni vytvořit svůj první projekt Cloud AutoML Vision:

• Přejděte na stránku Správa zdrojů.
• Klikněte na „Vytvořit projekt“.
• Pojmenujte svůj projekt a poté klikněte na „Vytvořit“.

Pokud máte více fakturačních účtů, měla by se GCP zeptat, který účet chcete přiřadit k tomuto projektu. Pokud máte jeden fakturační účet a jste administrátorem fakturace a tento účet bude automaticky propojen s vaším projektem.

Alternativně můžete zvolit fakturační účet ručně:

• Otevřete navigační nabídku konzoly GCP a vyberte možnost Fakturace.
• Vyberte možnost Propojit fakturační účet.
• Vyberte „Nastavit účet“ a poté vyberte fakturační účet, který chcete přiřadit k tomuto projektu.

Povolte rozhraní API Cloud AutoML a Storage

Při vytváření modelu uložíte všechny své tréninkové obrázky do kbelíku cloudového úložiště, takže musíme povolit AutoML a Rozhraní API služby Google Cloud Storage:

• Otevřete navigační nabídku GCP a vyberte „API a služby> Dashboard“.
• Klikněte na „Povolit API a služby“.
• Začněte psát „Cloud AutoML API“ a poté jej vyberte, jakmile se objeví.
• Zvolte „Povolit“.
• Přejděte zpět na obrazovku „API a služby> Dashboard> Povolit API a služby“.
• Začněte psát „Google Cloud Storage“ a vyberte jej, jakmile se objeví.
• Zvolte „Povolit“.

Vytvořte kbelík cloudového úložiště

Vytvoříme kbelík cloudového úložiště pomocí cloudového prostředí, což je virtuální virtuální stroj založený na Linuxu:

• Na panelu záhlaví (kde je kurzor umístěn na následující obrazovce) vyberte ikonu „Aktivovat Google Cloud Shell“.

• Po spodní části konzoly se nyní otevře relace Cloud Shell. Počkejte, až se Google Cloud Shell připojí k vašemu projektu.
• Zkopírujte / vložte následující příkaz do Google Cloud Shell:

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

• Stiskněte klávesu „Enter“ na klávesnici.
• Zkopírujte / vložte další příkaz do Google Cloud Shell:

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

• Stiskněte klávesu „Enter“.
• Udělte oprávnění AutoML Service pro přístup k prostředkům Google Cloud zkopírováním / vložením následujícího příkazu a poté stisknutím klávesy „Enter“:

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

Čas na trénink: Sestavení datového souboru

S tímto nastavením mimo dosah jsme nyní připraveni nahrát náš soubor dat! To zahrnuje:

1. Vytvoření prázdné datové sady.
2. Import fotografií do datového souboru.
3. Ke každé fotografii přiřaďte alespoň jeden štítek. AutoML Vision zcela ignoruje všechny fotografie, které nemají štítek.

Abychom usnadnili proces označování, nahraju a označím všechny své fotky psů, než začnu řešit fotografie koček:

• Přejděte do uživatelského rozhraní AutoML Vision (v době psaní stále ve verzi beta).
• Vyberte možnost „Nový dataset“.
• Dejte svému datasetu popisné jméno.
• Klikněte na „Vybrat soubory“.
• V následujícím okně vyberte všechny fotky svých psů a poté klikněte na „Otevřít“.
• Protože naše obrázky nemají více než jeden štítek, můžeme ponechat možnost „Povolit klasifikaci více štítků“ nezaškrtnutou. Klikněte na „Vytvořit dataset“.

Po dokončení nahrávání se uživatelské rozhraní Cloud AutoML Vision dostanete na obrazovku obsahující všechny vaše obrázky a rozpis všech štítků, které jste použili v tomto datovém souboru.

Protože náš dataset v současné době obsahuje pouze obrázky psů, můžeme je hromadně označit:

• V nabídce vlevo vyberte možnost „Přidat štítek“.
• Zadejte „pes“ a stiskněte klávesu „Enter“ na klávesnici.
• Klikněte na „Vybrat všechny obrázky“.
• Otevřete rozbalovací nabídku „Štítek“ a vyberte „pes“.

Nyní jsme označili všechny naše psí fotografie, je čas přejít na kočičí fotografie:

• Na panelu záhlaví vyberte možnost „Přidat obrázky“.
• Zvolte „Nahrát z počítače“.
• Vyberte všechny vaše kočičí fotografie a poté klikněte na „Otevřít“.
• V nabídce vlevo vyberte možnost „Přidat štítek“.
• Zadejte „cat“ a poté stiskněte klávesu „Enter“ na klávesnici.
• Projděte si a vyberte každou fotografii kočky tak, že umístíte kurzor myši na obrázek a poté kliknete na malou ikonu zaškrtnutí, jakmile se objeví.
• Otevřete rozbalovací nabídku „Štítek“ a vyberte „Kočka“.

Vycvičte si model strojového učení

Nyní máme náš dataset, je čas trénovat náš model! Jeden obdržíte vypočítat hodinový trénink zdarma na model až pro 10 modelů každý měsíc, což představuje vnitřní výpočetní využití, a proto nemusí korelovat se skutečnou hodinovou hodinou.

Chcete-li model trénovat, jednoduše:

• Vyberte kartu „Vlak“ uživatelského rozhraní AutoML Vision.
• Klikněte na „Zahájit školení“.

Doba, po kterou bude váš model Cloud AutoML Vision trénovat, se bude lišit v závislosti na množství poskytnutých údajů, i když podle oficiálních dokumentů by to mělo trvat přibližně 10 minut. Jakmile bude váš model proškolen, Cloud AutoML Vision jej automaticky nasadí a odešle e-mail s upozorněním, že váš model je nyní připraven k použití.

Jak přesný je váš model?

Předtím, než váš model vyzkoušíte, možná budete chtít udělat nějaké vylepšení, abyste se ujistili, že jeho předpovědi jsou co nejpřesnější.

Vyberte kartu „Vyhodnotit“ a poté v nabídce vlevo vyberte jeden z vašich filtrů.

V tomto okamžiku uživatelské rozhraní AutoML Vision zobrazí následující informace pro tento štítek:

• Prahová hodnota skóre. Toto je úroveň důvěryhodnosti, kterou musí model mít, aby mohl nové fotografii přiřadit štítek. Tento jezdec můžete použít k testování dopadu, který budou mít různé prahové hodnoty na vaši datovou sadu, sledováním výsledků v připojeném grafu přesného vyvolání. Nižší prahové hodnoty znamenají, že váš model klasifikuje více obrázků, ale existuje zvýšené riziko, že fotografie identifikují nesprávně. Pokud je prahová hodnota vysoká, bude váš model klasifikovat méně obrázků, ale měl by také identifikovat méně obrázků.
• Průměrná přesnost. To je, jak dobře váš model dosahuje napříč všemi prahovými hodnotami skóre, přičemž 1,0 je maximální skóre.
• Přesnost. Čím vyšší přesnost, tím méně falešných pozitiv, s nimiž byste se měli setkat, což je místo, kde model aplikuje nesprávný štítek na obrázek. Vysoce přesný model označí pouze nejdůležitější příklady.
• Odvolání. Ze všech příkladů, které měly být označeny štítkem, nám připomíná, kolik z nich bylo skutečně označeno štítkem. Čím vyšší je procento stažení, tím méně falešných negativů byste se měli setkat, což je místo, kde model nedokáže označit obrázek.

Vyzkoušejte svůj model!

Nyní přichází zábavná část: kontrola, zda váš model dokáže zjistit, zda fotografie obsahuje psa nebo kočku, vygenerováním predikce na základě údajů, které předtím neviděl.

• Pořiďte fotku nebyl součástí původního souboru dat.
• V konzole AutoML Vision Console vyberte kartu „Predict“.
• Vyberte „Nahrát obrázky“.
• Vyberte obrázek, který chcete analyzovat pomocí AutoML Vision.
• Po několika okamžicích bude váš model předpovídat - doufejme, že je správný!

Přestože je vize Cloud AutoML ve verzi beta, může se u vašeho modelu vyskytnout zpoždění zahřívání. Pokud váš požadavek vrátí chybu, počkejte několik sekund a zkuste to znovu.

Zabalení

V tomto článku jsme se zabývali tím, jak můžete pomocí Cloud AutoML Vision trénovat a implementovat vlastní model učení. Myslíte si, že nástroje, jako je AutoML, mají potenciál získat více lidí pomocí strojového učení? Dejte nám vědět v komentářích níže!