Megoldási ötlet
Ha további információkkal szeretné bővíteni ezt a cikket, például a lehetséges használati eseteket, alternatív szolgáltatásokat, megvalósítási szempontokat vagy díjszabási útmutatást, ossza meg velünk a GitHub Visszajelzést!
Az olyan technológiák elterjedésével, mint az eszközök internetes hálózata (IoT) és az AI, a világ nagy mennyiségű adatot hoz létre. A releváns adatok kinyerése komoly kihívást jelent. A képbesorolás megfelelő megoldás a kép jelölőinek azonosítására. A képbesorolás segíthet a nagy mennyiségű kép kategorizálásában. A konvolúciós neurális hálózatok (CNN-ek) jó teljesítményt mutatnak a képadatkészleteken. A CNN-eknek jelentős szerepük volt a legfejlettebb képosztályozási megoldások fejlesztésében.
A CNN-ekben három fő rétegtípus létezik:
- Konvolúciós rétegek
- Rétegek készletezése
- Teljesen csatlakoztatott rétegek
A konvolúciós réteg a konvolúciós hálózat első rétege. Ez a réteg egy másik konvolúciós réteget vagy készletezési réteget is követhet. Általánosságban elmondható, hogy a teljes mértékben csatlakoztatott réteg a hálózat utolsó rétege.
A rétegek számának növekedésével a modell összetettsége nő, és a modell képes azonosítani a kép nagyobb részeit. Az első rétegek az egyszerű funkciókra, például az élekre összpontosítanak. Ahogy a képadatok áthaladnak a CNN rétegeiben, a hálózat elkezd kifinomultabb elemeket vagy alakzatokat felismerni az objektumban. Végül azonosítja a várt objektumot.
Lehetséges használati esetek
- Ez a megoldás segíthet automatizálni a hibaészlelést, ami előnyösebb, ha kizárólag az emberi operátorokra támaszkodik. Ez a megoldás például a hibás elektronikus összetevők azonosításával növelheti a termelékenységet. Ez a képesség fontos a lean gyártás, a költségszabályozás és a gyártás hulladékcsökkentése szempontjából. A áramköri alaplapok gyártásában a hibás alaplapok pénzt és termelékenységet jelenthetnek a gyártóknak. A szerelősorok az emberi operátorokra támaszkodva gyorsan áttekintik és ellenőrzik azokat a táblákat, amelyeket a szerelősor-tesztgépek esetleg hibásnak jelölnek.
- A képbesorolás ideális az egészségügyi ágazat számára. A képbesorolás segít észlelni a csontrepedéseket, a rák különböző típusait és a szövetek rendellenességeit. Képbesorolást is használhat a betegség jelenlétére utaló szabálytalanságok megjelölésére. A képbesorolási modell javíthatja az MRI-k pontosságát.
- A mezőgazdasági területen a képbesorolási megoldások segítenek azonosítani a vizet igénylő növénybetegségeket és növényeket. Ennek eredményeképpen a képbesorolás segít csökkenteni az emberi beavatkozás szükségességét.
Architektúra
Töltse le az architektúra SVG-fájlját.
Adatfolyam
- A rendszerképek Azure Blob Storage való feltöltését az Azure Machine Learning tölti be.
- Mivel a megoldás egy felügyelt tanulási megközelítést követ, és a modell betanításához adatcímkézésre van szükség, a betöltött képek a Machine Learningben vannak címkézve.
- A CNN-modell betanítása és érvényesítése a Machine Learning-jegyzetfüzetben történik. Számos előre betanított képosztályozási modell érhető el. Ezeket átviteltanulási megközelítéssel használhatja. Az előre betanított CNN-ek egyes változatairól további információt a konvolúciós neurális hálózatok képosztályozásának fejlődése című témakörben talál. Letöltheti ezeket a képbesorolási modelleket, és testre szabhatja őket a címkézett adatokkal.
- A betanítást követően a modell egy gépi tanulásban lévő modellregisztrációs adatbázisban lesz tárolva.
- A modell kötegelt felügyelt végpontokon keresztül van üzembe helyezve.
- A modell eredményei az Azure Cosmos DB-be vannak írva, és az előtérbeli alkalmazáson keresztül lesznek felhasználva.
Összetevők
- A Blob Storage egy olyan szolgáltatás, amely az Azure Storage része. A Blob Storage optimalizált felhőalapú objektumtárolást kínál nagy mennyiségű strukturálatlan adathoz.
- A Machine Learning egy felhőalapú környezet, amellyel gépi tanulási modelleket taníthat be, helyezhet üzembe, automatizálhat, kezelhet és követhet. A modellek segítségével előre jelezheti a jövőbeli viselkedést, eredményeket és trendeket.
- Az Azure Cosmos DB egy globálisan elosztott, többmodelles adatbázis. Az Azure Cosmos DB-vel a megoldások rugalmasan méretezhetik az átviteli sebességet és a tárolást tetszőleges számú földrajzi régióban.
- Azure Container Registry tárolórendszerképeket készít, tárol és kezel, valamint tárolóalapú gépi tanulási modelleket is tárolhat.
Közreműködők
Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködő írta.
Fő szerző:
- Ashish Chauhan | Vezető megoldástervező
A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.
Következő lépések
- További információ a Blob Storage-ról: Bevezetés a Azure Blob Storage.
- További információ a Container Registryről: Bevezetés az Azure tárolóregisztrációs adatbázisaiba.
- A modellkezeléssel (MLOps) kapcsolatos további információkért lásd : MLOps: Modellkezelés, üzembe helyezés, életút és monitorozás az Azure Machine Learning használatával.
- A megoldás ötletének a GitHubon való megvalósítását a Synapse Machine Learningben tekintheti meg.
- A CNN-ekről szóló szakaszt tartalmazó Microsoft Learn-modul megismeréséhez tekintse meg a mélytanulási modellek betanítása és értékelése című témakört.