Een vision-oplossing zonder code maken in Azure Percept Studio

Azure Percept Studio kunt u aangepaste Computer Vision-oplossingen bouwen en implementeren, zonder dat u hoeft te coderen. In dit artikel gaat u het volgende doen:

• Een Vision-project maken in Azure Percept Studio
• Trainingsafbeeldingen verzamelen met uw devkit
• Uw trainingsafbeeldingen labelen in Custom Vision
• Uw aangepaste objectdetectie of -classificatiemodel trainen
• Uw model implementeren in uw devkit
• Uw model verbeteren door opnieuw trainen in te stellen

Deze zelfstudie is geschikt voor ontwikkelaars met weinig tot geen AI-ervaring en degenen die net aan de slag zijn Azure Percept.

Vereisten

• Azure Percept DK (devkit)
• Azure-abonnement
• Azure Percept DK instellen: u hebt uw devkit verbonden met een Wi-Fi-netwerk, een IoT Hub gemaakt en uw devkit verbonden met de IoT Hub

Een vision-prototype maken

1. Start uw browser en ga naar Azure Percept Studio.

2. Klik op de overzichtspagina op het tabblad Demo'& zelfstudies.

3. Klik onder Vision-zelfstudies en -demo's op Een vision-prototype maken.

   

4. Ga als volgt te Azure Percept Custom Vision op de pagina Nieuw prototype:

   1. Voer in Project naam een naam in voor uw Vision-prototype.

   2. Voer een beschrijving van het Vision-prototype in het Project beschrijving in.

   3. Selecteer Azure Percept DK in de vervolgkeuzelijst Apparaattype.

   4. Selecteer een resource in de vervolgkeuzelijst Resource of klik op Een nieuwe resource maken. Als u ervoor kiest om een nieuwe resource te maken, doet u het volgende in het venster Maken:

      1. Voer een naam in voor de nieuwe resource.
      2. Selecteer uw Azure-abonnement.
      3. Selecteer een resourcegroep of maak een nieuwe.
      4. Selecteer uw voorkeursregio.
      5. Selecteer uw prijscategorie (wij raden S0 aan).
      6. Klik op Maken onderaan het venster.

      

   5. Voor Project typt u of uw Vision-project objectdetectie of afbeeldingsclassificatie gaat uitvoeren. Klik op Help me kiezen voor meer informatie over de projecttypen.

   6. Voor Optimalisatie selecteert u of u uw project wilt optimaliseren voor nauwkeurigheid, lage netwerklatentie of een balans van beide.

   7. Klik op de knop Maken.

      

Verbinding maken apparaat aan uw project vast te leggen en afbeeldingen vast te leggen

Nadat u een vision-oplossing hebt gemaakt, moet u uw devkit en de bijbehorende IoT Hub toevoegen.

1. Uw devkit in bedrijf neemt.

2. Selecteer in IoT Hub vervolgkeuzelijst de IoT-hub waarmee uw devkit is verbonden tijdens de OOBE.

3. Selecteer uw devkit in het vervolgkeuzemenu Apparaten.

Vervolgens moet u afbeeldingen laden of afbeeldingen vastleggen voor het trainen van uw AI-model. Het is raadzaam om ten minste 30 afbeeldingen per tagtype te uploaden. Als u bijvoorbeeld een honden- en katdetector wilt maken, moet u ten minste 30 afbeeldingen van honden en 30 afbeeldingen van katten uploaden. Ga als volgt te werk om afbeeldingen vast te leggen met de vision-SoM van uw devkit:

1. Selecteer apparaatstream weergeven in het venster Beeldopname om de Vision SoM-videostream weer te geven.

2. Controleer de videostream om te controleren of uw Vision SoM-camera correct is uitgelijnd om de trainingsfoto's te maken. Maak indien nodig aanpassingen.

3. Klik in het venster Afbeeldingsopname op Foto maken.

   

4. U kunt ook een automatische afbeeldingsopname instellen om een groot aantal afbeeldingen tegelijk te verzamelen door het selectievakje Automatische afbeeldingsopname in te checken. Selecteer uw voorkeursfrequentie voor imaging onder Vast leggenfrequentie en het totale aantal afbeeldingen dat u wilt verzamelen onder Doel. Klik op Automatische opname instellen om het proces voor het automatisch vastleggen van afbeeldingen te starten.

   

Wanneer u voldoende foto's hebt, klikt u op Volgende: Afbeeldingen en modeltraining taggen onderaan het scherm. Alle afbeeldingen worden opgeslagen in Custom Vision.

Afbeeldingen taggen en uw model trainen

Voordat u uw model traint, voegt u labels toe aan uw afbeeldingen.

1. Klik op de pagina Afbeeldingen en modeltraining taggen op Project openen in Custom Vision.

2. Klik aan de linkerkant van de Custom Vision pagina onder Tags op Niet-tag om de afbeeldingen weer te geven die u zojuist in de vorige stap hebt verzameld. Selecteer een of meer van uw niet-getagged afbeeldingen.

3. Klik in het venster Afbeeldingsdetails op de afbeelding om te beginnen met taggen. Als u objectdetectie als projecttype hebt geselecteerd, moet u ook een begrensingsvak rond specifieke objecten tekenen die u wilt taggen. Pas het begrensingsvak naar behoefte aan. Typ de objecttag en klik erop + om de tag toe te passen. Als u bijvoorbeeld een vision-oplossing maakt die u op de hoogte stelt wanneer een voorraad opnieuw moet worden gevuld, voegt u de tag Leeg rek toe aan afbeeldingen van lege schappen en voegt u de tag Full Shelf toe aan afbeeldingen van volledig gevulde schappen. Herhaal dit voor alle niet-getagged afbeeldingen.

   

4. Nadat u uw afbeeldingen hebt gelabeld, klikt u op het pictogram X in de rechterbovenhoek van het venster. Klik op Getagd onder Tags om al uw zojuist getagde afbeeldingen weer te geven.

5. Nadat uw afbeeldingen zijn gelabeld, bent u klaar om uw AI-model te trainen. Klik op Trainen bovenaan de pagina om dit te doen. U moet ten minste 15 afbeeldingen per tagtype hebben om uw model te trainen (we raden u aan ten minste 30 te gebruiken). Het trainen duurt doorgaans ongeveer 30 minuten, maar het kan langer duren als uw afbeeldingenset extreem groot is.

   

6. Wanneer de training is voltooid, worden op het scherm de prestaties van uw model weergegeven. Zie de documentatie voor modelevaluatie voor meer informatie over het evalueren van deze resultaten. Na de training kunt u uw model ook testen op aanvullende afbeeldingen en zo nodig opnieuw trainen. Telkens wanneer u uw model traint, wordt het opgeslagen als een nieuwe iteratie. Verwijzen naar de Custom Vision voor meer informatie over het verbeteren van modelprestaties.

   

   Notitie

   Als u ervoor kiest om uw model te testen op aanvullende afbeeldingen in Custom Vision, moet u er rekening mee dat de bestandsgrootte van de testafbeelding niet groter mag zijn dan 4 MB.

Wanneer u tevreden bent met de prestaties van uw model, sluit Custom Vision het browsertabblad.

Uw AI-model implementeren

1. Terug naar uw Azure Percept Studio tabblad en klik op Volgende: Evalueren en implementeren onderaan het scherm.

2. In het venster Evalueren en implementeren worden de prestaties van de geselecteerde model iteratie weergegeven. Selecteer in de vervolgkeuzelijst Model iteratie de iteratie die u wilt implementeren in uw devkit en klik op Model implementeren onderaan het scherm.

   

3. Nadat u het model hebt geïmplementeerd, bekijkt u de videostream van uw apparaat om uw modeldeferencing in actie te zien.

   

Nadat u dit venster hebt gesloten, kunt u op elk gewenst moment teruggaan en uw Vision-project bewerken door onder AI Projects op de startpagina van Azure Percept Studio te klikken op Vision en de naam van uw Vision-project te selecteren.

Uw model verbeteren door opnieuw trainen in te stellen

Nadat u uw model hebt getraind en op het apparaat hebt geïmplementeerd, kunt u de modelprestaties verbeteren door parameters voor opnieuw trainen in te stellen om meer trainingsgegevens vast te leggen. Deze functie wordt gebruikt om de prestaties van een getraind model te verbeteren door u de mogelijkheid te bieden afbeeldingen vast te leggen op basis van een waarschijnlijkheidsbereik. U kunt uw apparaat bijvoorbeeld instellen om alleen trainingsafbeeldingen vast te leggen wanneer de waarschijnlijkheid laag is. Hier volgen enkele aanvullende richtlijnen voor het toevoegen van meer afbeeldingen en het in balans brengen van trainingsgegevens.

1. Als u opnieuw trainen wilt instellen, gaat u terug naar uw Project en gaat u vervolgens naar Project Samenvatting

2. Selecteer op het tabblad Image capture de optie Automatic image capture en Set up retraining.

3. Stel de automatische afbeeldingsopname in om een groot aantal afbeeldingen tegelijk te verzamelen door het selectievakje Automatische afbeeldingsopname in te checken.

4. Selecteer uw voorkeursfrequentie voor imaging onder Vast leggenfrequentie en het totale aantal afbeeldingen dat u wilt verzamelen onder Doel.

5. Selecteer in de sectie Opnieuw trainen instellen de iteratie voor wie u meer trainingsgegevens wilt vastleggen en selecteer vervolgens het waarschijnlijkheidsbereik. Alleen afbeeldingen die voldoen aan de waarschijnlijkheidsfrequentie worden geüpload naar uw project.

   

Resources opschonen

Als u voor deze zelfstudie een nieuwe Azure-resource hebt gemaakt en u uw Vision-oplossing niet meer wilt ontwikkelen of gebruiken, voert u de volgende stappen uit om uw resource te verwijderen:

1. Ga naar de Azure Portal.
2. Klik op Alle resources.
3. Klik op het selectievakje naast de resource die u tijdens deze zelfstudie hebt gemaakt. Het resourcetype wordt weergegeven als Cognitive Services.
4. Klik boven aan het scherm op het pictogram Verwijderen.

Video-overzicht

Zie de volgende video voor een visueel overzicht van de hierboven beschreven stappen:

Volgende stappen

Bekijk vervolgens de artikelen met de visie voor meer informatie over de functies van de Vision-oplossing in Azure Percept Studio.