Rychlý Start: vytvoření klasifikátoru pomocí Custom Vision Web

V tomto rychlém startu se dozvíte, jak pomocí Custom Vision webu vytvořit model klasifikace imagí. 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 chcete své třídění proškolit. Tipy k výběru imagí najdete níže.

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.

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

   

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 klasifikace . Pak v části typy klasifikací zvolte v závislosti na použitém případu použití buď více štítků , nebo více tříd. Klasifikace s více štítky aplikuje libovolný počet značek na obrázek (nula nebo více), zatímco klasifikace s více třídami řadí obrázky do jednoduchých kategorií (každý odeslaný obrázek bude seřazený do nejpravděpodobnější značky). V případě, že chcete, budete moci typ klasifikace později změnit.

4. V dalším kroku vyberte jednu z dostupných domén. Každá doména optimalizuje klasifikátor 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 klasifikace imagí. Pokud žádná z ostatních domén není vhodná nebo si nejste jisti, jakou doménu chcete vybrat, vyberte obecnou doménu.
   Simulant	Optimalizováno pro fotografie misek, jak byste je viděli v nabídce restaurace. Pokud chcete klasifikovat fotografie jednotlivých druhů ovoce a zeleniny, použijte doménu jídla.
   Orientační body tváře	Optimalizováno pro rozpoznatelný orientačních bodů, jak přirozené, tak umělé. Tato doména funguje nejlépe, když je ve fotografii jasně viditelný bod. Tato doména funguje i v případě, že je bod lehce překážkou pro lidi před ním.
   Maloobchod	Optimalizováno pro obrázky, které se nacházejí v nákupním katalogu nebo na nákupním webu. Pokud požadujete vysokou přesnost klasifikace mezi dresses, Pants a košile, použijte tuto doménu.
   Kompaktní domény	Optimalizováno pro omezení klasifikace 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

Nahrávání a označování obrázků

V této části nahrajete a ručně označíte obrázky, které vám pomůžou rozučit třídění.

1. Pokud chcete přidat obrázky, vyberte Přidat image a pak vyberte Procházet místní soubory. Vyberte otevřít a přejděte k označení. Výběr značek bude použit pro celou skupinu imagí, které jste vybrali k nahrání, takže je snazší nahrávat obrázky do samostatných skupin podle jejich použitých značek. Můžete také změnit značky pro jednotlivé obrázky po jejich nahrání.

   

2. Chcete-li vytvořit značku, zadejte text do pole Moje značky a stiskněte klávesu ENTER. Pokud značka již existuje, zobrazí se v rozevírací nabídce. V projektu s více štítky můžete do imagí přidat více než jednu značku, ale v projektu s více třídami můžete přidat pouze jeden. k dokončení nahrávání imagí použijte tlačítko Upload [číslo] soubory .

   

3. Po nahrání imagí vyberte Hotovo .

   

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

Trénování klasifikátoru

Chcete-li naučit třídění, vyberte tlačítko výuka . Klasifikátor používá všechny aktuální image k vytvoření modelu, který identifikuje vizuální vlastnosti jednotlivých značek.

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

Vyhodnotit klasifikátor

Po dokončení školení bude výkon modelu odhadnut a zobrazen. Custom Vision Service používá bitové kopie, které jste odeslali pro školení, aby bylo možné vypočítat přesnost a odvolání pomocí procesu nazývaného křížové ověření k skládání. Přesnost a odvolání jsou dvě odlišná měření efektivity klasifikátoru:

• 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%.

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.

Spravovat iterace cvičení

Pokaždé, když roznaučíte klasifikátor, vytvoříte novou iteraci s vlastní aktualizovanou metrikou výkonu. Všechny své iterace můžete zobrazit v levém podokně karty výkon . Také najdete 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 klasifikace obrázků pomocí Custom Vision webu. Dále Získejte další informace o iterativním procesu zlepšení modelu.

• Co je Custom Vision?