Rychlý Start: sestavení objektu detektoru pomocí Custom Vision webu

V tomto rychlém startu se dozvíte, jak pomocí Custom Vision webu vytvořit model objektu pro rozpoznávání. Jakmile model sestavíte, můžete ho otestovat pomocí nových imagí a následně ho integrovat do vlastní aplikace pro rozpoznávání imagí.

Pokud ještě nemáte předplatné Azure, vytvořte si napřed bezplatný účet.

Požadavky

  • Sada imagí, se kterými se má model detektoru naučit. Můžete použít sadu ukázkových imagí na GitHub. Případně můžete pomocí níže uvedených tipů zvolit vlastní image.

Vytvoření prostředků Custom Vision

Pokud chcete použít Custom Vision Service, budete muset vytvořit Custom Vision školení a předpovědi prostředků v Azure. Provedete to tak, že v Azure Portal vyplníte dialogové okno na stránce vytvořit Custom Vision , kde vytvoříte školicí a předpovědný prostředek.

Vytvoření nového projektu

Ve webovém prohlížeči přejděte na webovou stránku Custom Vision a vyberte Přihlásit se. Přihlaste se pomocí stejného účtu, který jste použili k přihlášení do Azure Portal.

Obrázek přihlašovací stránky

  1. Pokud chcete vytvořit svůj první projekt, vyberte nový Project. Zobrazí se dialogové okno vytvořit nový projekt .

    Dialogové okno Nový projekt obsahuje pole pro název, popis a domény.

  2. Zadejte název a popis projektu. Pak vyberte skupinu prostředků. Pokud je přihlášený účet přidružený k účtu Azure, zobrazí se v rozevíracím seznamu Skupina prostředků všechny skupiny prostředků Azure, které zahrnují prostředek Custom Vision Service.

    Poznámka

    Pokud není k dispozici žádná skupina prostředků, potvrďte prosím, že jste se k customvision.AI přihlásili pomocí stejného účtu, jako jste použili k přihlášení do Azure Portal. Ověřte také, že jste na webu Custom Vision vybrali stejný adresář jako adresář v Azure Portal, kde se nacházejí Custom Vision prostředky. V obou lokalitách můžete adresář vybrat v nabídce účtu rozevírací nabídky v pravém horním rohu obrazovky.

  3. v části typy Project vyberte detekce objektů .

  4. V dalším kroku vyberte jednu z dostupných domén. Každá doména optimalizuje detektor pro konkrétní typy imagí, jak je popsáno v následující tabulce. V případě potřeby budete moci doménu později změnit.

    Doména Účel
    Obecné Optimalizováno pro širokou škálu úloh detekce objektů. Pokud žádná z ostatních domén není vhodná nebo si nejste jisti, kterou doménu si zvolíte, vyberte obecnou doménu.
    Logo Optimalizováno pro hledání loga značky v obrázcích.
    Produkty na police Optimalizováno pro zjišťování a klasifikaci produktů v police.
    Kompaktní domény Optimalizováno pro omezení detekce objektů v reálném čase na mobilních zařízeních. Modely generované pomocí kompaktních domén lze exportovat pro místní spuštění.
  5. Nakonec vyberte vytvořit projekt.

Zvolit školicí obrázky

V počáteční trénovací sadě doporučujeme použít alespoň 30 obrázků na značku. Po natrénování modelu budete také chtít shromáždit několik dalších obrázků a otestovat ho.

Pokud chcete model efektivně trénovat, používejte obrázky s vizuální rozmanitostí. Vyberte obrázky, které se liší podle:

  • úhel kamery
  • Osvětlení
  • pozadí
  • styl vizuálu
  • jednotlivý/seskupený předmět(y)
  • size
  • typ

Kromě toho se ujistěte, že všechny trénovací obrázky splňují následující kritéria:

  • .jpg, .png, .bmp nebo .gif
  • velikost menší než 6 MB (4 MB pro obrázky předpovědí)
  • nejméně 256 pixelů na nejkratším okraji; Všechny obrázky, které jsou menší než tato, automaticky škáluje služba Custom Vision Service

Poznámka

Potřebujete k dokončení trénování širší sadu obrázků? Trove, projekt Microsoftu pro autoservisy, umožňuje shromažďovat a kupovat sady obrázků pro účely školení. Po nashromání obrázků si je můžete stáhnout a pak je obvyklým způsobem importovat do Custom Vision projektu. Další informace najdete na stránce Trove.

Nahrávání a označování obrázků

V této části nahrajete a ručně označíte obrázky, které vám pomůžou naučit detektor.

  1. Pokud chcete přidat obrázky, vyberte Přidat image a pak vyberte Procházet místní soubory. Vyberte otevřít a nahrajte obrázky.

    Ovládací prvek přidat obrázky se zobrazí v levém horním rohu a jako tlačítko ve spodní části středu.

  2. Nahrané obrázky se zobrazí v části bez značky v uživatelském rozhraní. Dalším krokem je ruční označení objektů, které má detektor zjistit, aby se rozpoznal. Kliknutím na první obrázek otevřete dialogové okno tagování.

    Nahrané obrázky v oddílu bez příznaku

  3. Klikněte na obdélník kolem objektu v imagi a přetáhněte ho. Pak zadejte nový název značky s + tlačítkem nebo vyberte existující značku z rozevíracího seznamu. Je důležité označit všechny instance objektů, které chcete detekovat, protože detektor používá oblast bez příznaku na pozadí jako negativní příklad v rámci školení. Po dokončení označování značek klikněte na šipku vpravo a uložte značky a přejděte k dalšímu obrázku.

    Označení objektu obdélníkovým výběrem

Pokud chcete nahrát další sadu imagí, vraťte se na začátek této části a opakujte postup.

Naučit detektor

Chcete-li naučit model detektoru, vyberte tlačítko výuka . Detektor používá všechny aktuální image a jejich značky k vytvoření modelu, který identifikuje každý tagovaný objekt.

Tlačítko vlaku v pravém horním rohu panelu nástrojů záhlaví webové stránky

Proces školení by měl trvat jen několik minut. Během této doby se na kartě výkon zobrazí informace o procesu školení.

Okno prohlížeče s výukovým dialogem v hlavní části

Vyhodnocení detektoru

Po dokončení školení se vypočítává a zobrazuje výkon modelu. Služba Custom Vision používá obrázky, které jste odeslali pro školení, a vypočítá přesnost, odvolání a průměrnou přesnost. Přesnost a odvolání jsou dvě odlišná měření účinnosti detektoru:

  • Přesnost označuje zlomek identifikovaných klasifikací, které byly správné. Například pokud model identifikoval 100 obrázků jako psi a 99 z nich byly ve skutečnosti psi, pak přesnost by byla 99%.
  • Odvolání indikuje zlomek skutečných klasifikací, které byly správně identifikovány. Pokud by například existovaly skutečné 100 bitové kopie jablek a model identifikoval 80 jako jablk, odvolání by bylo 80%.
  • Střední přesnost je průměrná hodnota průměrné přesnosti (AP). Přístupový bod je oblast pod křivkou přesnost/odvolání (přesnost vykreslená proti odvolání pro každou vytvořenou předpověď).

Ve výsledcích školení se zobrazuje celková přesnost a odvolání a průměrná hodnota přesnosti.

Probability threshold

Všimněte si posuvníku prahová hodnota pravděpodobnosti v levém podokně karty výkon . Toto je úroveň jistoty, kterou předpovědi potřebuje mít, aby byla považována za správnou (za účelem výpočtu přesnosti a odvolání).

Při interpretaci volání předpovědi s prahovou hodnotou vysoké pravděpodobnosti mají v úmyslu vracet výsledky s vysokou přesností na základě nákladů na odvolání — , které zjištěné klasifikace jsou správné, ale mnoho zůstává nerozpoznané. Prahová hodnota nízké pravděpodobnosti znamená, že je — v této sadě zjištěn opak, ale v rámci této sady existuje více falešně pozitivních hodnot. V takovém případě byste měli nastavit prahovou hodnotu pravděpodobnosti podle konkrétních potřeb vašeho projektu. Až budete později dostávat výsledky předpovědi na straně klienta, měli byste použít stejnou prahovou hodnotu pravděpodobnosti, jakou jste použili tady.

Prahová hodnota překryvu

Posuvník prahová hodnota překrytí se zabývá tím, jak opravit předpověď objektu musí být považována za "správné" v rámci školení. Nastaví minimální povolený překryv mezi předpovězeným ohraničujícím objektem a skutečným uživatelským polem, které jste zadali. Pokud se ohraničovací pole nepřekrývají k tomuto stupni, předpověď se nepovažuje za správné.

Spravovat iterace cvičení

Při každém výukovém detektoru vytvoříte novou iteraci s vlastní aktualizovanou metrikou výkonu. Všechny své iterace můžete zobrazit v levém podokně karty výkon . V levém podokně najdete také tlačítko Odstranit , které můžete použít k odstranění iterace, pokud je zastaralá. Odstraněním iterace odstraníte všechny bitové kopie, které s ní jsou jednoznačně přidružené.

Informace o tom, jak programově přistupovat k vašim vyškolených modelům, najdete v tématu použití modelu s prediktivním rozhraním API .

Další kroky

V tomto rychlém startu jste zjistili, jak vytvořit a naučit model objektového detektoru pomocí Custom Vision webu. Dále Získejte další informace o iterativním procesu zlepšení modelu.