Snelstart: Een classificatie bouwen met de Custom Vision-website

In deze quickstart leert u hoe u met de Custom Vision-website een classificatiemodel voor afbeeldingen kunt maken. Wanneer u een model bouwt, kunt u het testen met nieuwe afbeeldingen en het ten slotte integreren in uw eigen app voor het herkennen van afbeeldingen.

Als u nog geen abonnement op Azure hebt, maak dan een gratis account aan voordat u begint.

Vereisten

• Een reeks afbeeldingen waarmee u de classificatie kunt trainen. Hieronder vindt u tips voor het kiezen van afbeeldingen.

Custom Vision-resources maken

Als u de Custom Vision-service wilt gebruiken, moet u trainings- en voorspellingsresources van Custom Vision in Azure maken. Als u dit in Azure Portal wilt doen, vult u het dialoogvenster op de Custom Vision-pagina in om een trainings- en een voorspellingsresource te maken.

Een nieuw project maken

Ga in de webbrowser naar de Custom Vision-webpagina en selecteer Aanmelden. Meld u aan met hetzelfde account dat u hebt gebruikt om u aan te melden bij Azure Portal.

1. Selecteer Nieuw project om uw eerste project te maken. Het dialoogvenster Nieuw project maken wordt weergegeven.

   

2. Voer een naam en een beschrijving voor het project in. Selecteer vervolgens een resourcegroep. Als uw aangemelde account aan een Azure-account is gekoppeld, worden in de vervolgkeuzelijst Resourcegroep al uw Azure-resourcegroepen weergegeven die een Custom Vision-serviceresource bevatten.

   Notitie

   Als er geen resourcegroep beschikbaar is, controleert u of u bent aangemeld bij customvision.ai met hetzelfde account dat u hebt gebruikt om u aan te melden bij Azure Portal. Controleer ook of u dezelfde 'map' hebt geselecteerd in de Custom Vision-website als de map in Azure Portal waar zich uw Custom Vision-resources bevinden. Op beide sites kunt u uw map selecteren in het vervolgkeuzeaccountmenu in de rechterbovenhoek van het scherm.

3. Selecteer Classificatie onder Projecttypen. Kies onder Classificatietypen de optie Meerdere labels of Meerdere klassen, afhankelijk van uw gebruikstoepassing. Bij classificatie met meerdere labels wordt een willekeurig aantal tags toegepast op een afbeelding (nul of meer), terwijl bij classificatie met meerdere klassen afbeeldingen in één categorie worden ingedeeld (elke afbeelding die u verzendt, wordt voorzien van de meest logische tag). Desgewenst kunt u het classificatietype later wijzigen.

4. Selecteer vervolgens een van de beschikbare domeinen. Elk domein optimaliseert de classificatie voor specifieke typen afbeeldingen, zoals beschreven in de volgende tabel. U kunt het domein later desgewenst wijzigen.

   Domain	Doel
   Algemeen	Geoptimaliseerd voor een breed scala aan afbeeldingsclassificatietaken. Als geen van de andere domeinen geschikt is, of als u niet zeker weet welk domein u moet kiezen, selecteert u het domein Algemeen.
   Voedsel	Geoptimaliseerd voor foto's van gerechten zoals op de menukaart van een restaurant. Gebruik het domein Voedsel als u foto's van afzonderlijke soorten fruit of groenten wilt classificeren.
   Oriëntatiepunten	Geoptimaliseerd voor herkenbare oriëntatiepunten, zowel natuurlijke als kunstmatige. Dit domein werkt het beste wanneer het oriëntatiepunt duidelijk te zien is in de foto. Dit domein werkt ook als het oriëntatiepunt slechts gedeeltelijk zichtbaar is omdat er mensen voor staan.
   Retail	Geoptimaliseerd voor afbeeldingen zoals die te vinden zijn in de catalogus of op de website van een winkel. Gebruik dit domein voor een nauwkeurige classificatie van kleding, zoals jurken, broeken en shirts.
   Compacte domeinen	Geoptimaliseerd voor de beperkingen van classificatie in realtime op mobiele apparaten. De modellen die door compacte domeinen worden gegenereerd, kunnen worden geëxporteerd om lokaal te worden uitgevoerd.

5. Selecteer tot slot Project maken.

Trainingsafbeeldingen kiezen

U wordt ten zeerste aangeraden minimaal dertig afbeeldingen per tag in de eerste trainingsset te gebruiken. U dient ook een paar extra afbeeldingen te verzamelen om uw model te testen zodra het is getraind.

Gebruik afbeeldingen met optische variaties om uw model effectief te kunnen trainen. Selecteer afbeeldingen die variëren in:

• camerahoek
• belichting
• background
• visuele stijl
• afzonderlijke/gegroepeerde onderwerpen
• grootte
• type

Zorg er bovendien voor dat al uw trainingsafbeeldingen aan de volgende criteria voldoen:

• JPG-, PNG-, BMP- of GIF-indeling
• niet groter dan 6 MB (4 MB voor voorspellingsafbeeldingen)
• een korte zijde van minimaal 256 pixels; afbeeldingen die korter zijn dan deze worden automatisch omhoog geschaald

Afbeeldingen uploaden en labelen

In deze sectie gaat u afbeeldingen uploaden en handmatig taggen om de classificatie te helpen trainen.

1. Als u afbeeldingen wilt toevoegen, selecteert u Afbeeldingen toevoegen en selecteert u vervolgens Door lokale bestanden bladeren. Selecteer Openen om naar tags te gaan. Uw tagselectie wordt toegepast op de hele groep afbeeldingen die u hebt geselecteerd om te uploaden, zodat het eenvoudiger is om afbeeldingen in afzonderlijke groepen te uploaden op basis van de toegepaste tags. U kunt de tags voor afzonderlijke afbeeldingen ook wijzigen nadat ze zijn geüpload.

   

2. Als u een tag wilt maken, voert u tekst in het veld Mijn tags in en drukt u op Enter. Als de tag al bestaat, wordt deze weergegeven in een vervolgkeuzemenu. In een project met meerdere labels kunt u meer dan één tag toevoegen aan uw afbeeldingen, maar in een project met meerdere klassen kunt u slechts één tag toevoegen. Als u het uploaden van de afbeeldingen wilt voltooien, gebruikt u de knop [aantal] bestanden uploaden.

   

3. Selecteer Gereed zodra de afbeeldingen zijn geüpload.

   

Als u nog een andere reeks afbeeldingen wilt uploaden, gaat u terug naar het begin van deze sectie en voert u de stappen nogmaals uit.

De classificatie trainen

Als u de classificatie wilt trainen, selecteert u de knop Trainen. De classificatie maakt gebruik van alle huidige afbeeldingen om een model te maken waarmee de visuele kenmerken van elke tag worden geïdentificeerd.

Het trainingsproces duurt normaliter slechts enkele minuten. Gedurende deze periode wordt informatie over het trainingsproces weergegeven op het tabblad Prestaties.

De classificatie evalueren

Nadat de training is voltooid, worden de prestaties van het model geschat en weergegeven. De Custom Vision-service gebruikt de afbeeldingen die u voor de training hebt ingediend om de precisie en relevante overeenkomsten te berekenen met een proces dat k-voudige kruisvalidatie wordt genoemd. Precisie en relevante overeenkomsten zijn twee verschillende metingen van de effectiviteit van een classificatie:

• Precisie: hiermee wordt de fractie correct geïdentificeerde classificaties aangegeven. Als het model bijvoorbeeld 100 afbeeldingen heeft geïdentificeerd als honden en 99 van de afbeeldingen zijn daadwerkelijk van honden, dan is de precisie 99%.
• Relevante overeenkomsten: hiermee wordt de fractie feitelijke classificaties aangegeven dat correct is geïdentificeerd. Als er bijvoorbeeld daadwerkelijk 100 afbeeldingen van appels waren en het model er 80 als appels heeft geïdentificeerd, is de waarde voor relevante overeenkomsten 80%.

Drempelwaarde waarschijnlijkheid

Let op de schuifregelaar voor Waarschijnlijkheidsdrempel in het linkerdeelvenster van het tabblad Prestaties. Dit is het betrouwbaarheidsniveau dat een voorspelling moet hebben om als correct te worden beschouwd (wat betreft de rekennauwkeurigheid en het terughalen).

Wanneer u voorspellingsaanroepen met een hoge drempelwaarde interpreteert, ziet u dat ze doorgaans resultaten met hoge precisie retourneren, wat ten koste gaat van het terughalen. De gedetecteerde classificaties zijn juist, maar vele worden niet gedetecteerd. Voor een drempelwaarde met een lage waarschijnlijkheid geldt het omgekeerde: de meeste werkelijke classificaties worden gedetecteerd, maar binnen die verzameling komen meer fout-positieven voor. U dient de waarschijnlijkheidsdrempelwaarde dus in te stellen op basis van de specifieke behoeften voor uw project. Later, wanneer u voorspellingen aan de clientzijde ontvangt, dient u dezelfde waarschijnlijkheidsdrempelwaarde te gebruiken als u hier hebt gedaan.

Trainingsiteraties beheren

Telkens wanneer u de classificatie traint, maakt u een nieuwe iteratie met de bijbehorende bijgewerkte metrische prestatiegegevens. U kunt alle iteraties bekijken in het linkerdeelvenster van het tabblad Prestaties. U vindt er ook de knop Verwijderen, waarmee u een iteratie kunt verwijderen als deze verouderd is. Wanneer u een iteratie verwijdert, verwijdert u alle afbeeldingen die er uniek aan zijn gekoppeld.

Zie Uw model gebruiken met de voorspellings-API om te leren hoe u programmatisch toegang hebt tot uw getrainde modellen.

Volgende stappen

In deze quickstart hebt u geleerd hoe u een afbeeldingsclassificatiemodel maakt en traint met behulp van de Custom Vision-website. U kunt nog meer informatie downloaden over het iteratieve proces om uw model te verbeteren.

• Wat is Custom Vision?