Klasyfikacja obrazów z splotowymi sieciami neuronowymi (CNN)

Użyj splotowych sieci neuronowych (CNN), aby efektywnie klasyfikować duże ilości obrazów w celu identyfikowania elementów na obrazach.

Architektura

Pobierz plik programu Visio z tą architekturą.

Przepływ danych

1. Przekazywanie obrazów do usługi Azure Blob Storage jest pozyskiwane przez usługę Azure Machine Edukacja.
2. Ponieważ rozwiązanie jest zgodne z podejściem do uczenia nadzorowanego i wymaga etykietowania danych w celu wytrenowania modelu, pozyskane obrazy są oznaczone etykietą w usłudze Machine Edukacja.
3. Model CNN jest trenowany i weryfikowany w notesie usługi Machine Edukacja. Dostępnych jest kilka wstępnie wytrenowanych modeli klasyfikacji obrazów. Można ich używać przy użyciu podejścia do uczenia transferowego. Aby uzyskać informacje o niektórych wariantach wstępnie wytrenowanych sieci CNN, zobacz Postęp klasyfikacji obrazów przy użyciu splotowych sieci neuronowych. Możesz pobrać te modele klasyfikacji obrazów i dostosować je przy użyciu danych oznaczonych etykietą.
4. Po trenowaniu model jest przechowywany w rejestrze modeli w usłudze Machine Edukacja.
5. Model jest wdrażany za pośrednictwem zarządzanych wsadowych punktów końcowych.
6. Wyniki modelu są zapisywane w usłudze Azure Cosmos DB i używane za pośrednictwem aplikacji frontonu.

Składniki

• Blob Storage to usługa, która jest częścią usługi Azure Storage. Usługa Blob Storage oferuje zoptymalizowany magazyn obiektów w chmurze dla dużych ilości danych bez struktury.
• Machine Edukacja to środowisko oparte na chmurze, którego można używać do trenowania, wdrażania, automatyzowania i śledzenia modeli uczenia maszynowego oraz zarządzania nimi. Modele umożliwiają prognozowanie przyszłych zachowań, wyników i trendów.
• Azure Cosmos DB to globalnie rozproszona, wielomodelowa baza danych. Dzięki usłudze Azure Cosmos DB rozwiązania mogą elastycznie skalować przepływność i magazyn w dowolnej liczbie regionów geograficznych.
• Usługa Azure Container Registry tworzy, przechowuje obrazy kontenerów i zarządza nimi oraz może przechowywać konteneryzowane modele uczenia maszynowego.

Szczegóły scenariusza

Wraz z powstaniem technologii, takich jak Internet rzeczy (IoT) i sztuczna inteligencja, świat generuje duże ilości danych. Wyodrębnianie istotnych informacji z danych stało się poważnym wyzwaniem. Klasyfikacja obrazów to istotne rozwiązanie do identyfikowania tego, co reprezentuje obraz. Klasyfikacja obrazów może pomóc w kategoryzowaniu dużych ilości obrazów. Splotowe sieci neuronowe (CNN) renderować dobrą wydajność w zestawach danych obrazów. Sieci CNN odegrały ważną rolę w rozwoju najnowocześniejszych rozwiązań do klasyfikacji obrazów.

Istnieją trzy główne typy warstw w sieci CNN:

• Warstwy splotowe
• Warstwy buforowania
• W pełni połączone warstwy

Warstwa splotowa jest pierwszą warstwą sieci splotowej. Ta warstwa może podążać za inną warstwą splotową lub warstwami puli. Ogólnie rzecz biorąc, w pełni połączona warstwa jest ostatnią warstwą w sieci.

Wraz ze wzrostem liczby warstw złożoność modelu zwiększa się, a model może identyfikować większe części obrazu. Początkowe warstwy koncentrują się na prostych funkcjach, takich jak krawędzie. Gdy dane obrazu przechodzą przez warstwy sieci CNN, sieć zaczyna rozpoznawać bardziej zaawansowane elementy lub kształty w obiekcie. Na koniec identyfikuje oczekiwany obiekt.

Potencjalne przypadki użycia

• To rozwiązanie może pomóc zautomatyzować wykrywanie błędów, co jest preferowane wyłącznie w przypadku operatorów ludzkich. Na przykład to rozwiązanie może zwiększyć produktywność, identyfikując wadliwe składniki elektroniczne. Ta możliwość jest ważna dla oszczędnej produkcji, kontroli kosztów i redukcji odpadów w produkcji. Podczas produkcji płytek drukowanych wadliwe płytki mogą kosztować producentów pieniądze i wydajność. Linie montażowe polegają na operatorach ludzkich, aby szybko przeglądać i weryfikować tablice oznaczone jako potencjalnie wadliwe przez maszyny testowe linii montażowej.
• Klasyfikacja obrazów jest idealna dla branży opieki zdrowotnej. Klasyfikacja obrazów pomaga wykrywać pęknięcia kości, różne rodzaje raka i anomalie w tkankach. Można również użyć klasyfikacji obrazów do flagowania nieprawidłowości, które mogą wskazywać na obecność choroby. Model klasyfikacji obrazów może zwiększyć dokładność mrI.
• W domenie rolnictwa rozwiązania klasyfikacji obrazów pomagają identyfikować choroby roślin i rośliny, które wymagają wody. W rezultacie klasyfikacja obrazów pomaga zmniejszyć potrzebę interwencji człowieka.

Współautorzy

Ten artykuł jest obsługiwany przez firmę Microsoft. Pierwotnie został napisany przez następującego współautora.

Główny autor:

• Ashish Chauhan | Starszy architekt rozwiązań

Aby wyświetlić niepubalne profile serwisu LinkedIn, zaloguj się do serwisu LinkedIn.

Następne kroki

• Aby dowiedzieć się więcej o usłudze Blob Storage, zobacz Wprowadzenie do usługi Azure Blob Storage.
• Aby dowiedzieć się więcej na temat usługi Container Registry, zobacz Wprowadzenie do rejestrów kontenerów na platformie Azure.
• Aby dowiedzieć się więcej na temat zarządzania modelami (MLOps), zobacz MLOps: zarządzanie modelami, wdrażanie, pochodzenie i monitorowanie za pomocą usługi Azure Machine Edukacja.
• Aby dowiedzieć się więcej o usłudze SynapseML, zobacz Usługa Synapse Machine Edukacja.
• Aby zapoznać się z modułem Microsoft Learn zawierającym sekcję dotyczącą sieci CNN, zobacz Trenowanie i ocenianie modeli uczenia głębokiego.

Powiązane zasoby

Wyszukiwanie wizualne w sprzedaży detalicznej za pomocą usługi Azure Cosmos DB