Skapa en lösning utan kodseende i Azure Percept Studio

Azure Percept Studio kan du skapa och distribuera anpassade lösningar för datorseende, ingen kodning krävs. I den här artikeln kommer du att:

  • Skapa ett visionsprojekt i Azure Percept Studio
  • Samla in träningsbilder med ditt devkit
  • Märk dina träningsbilder i Custom Vision
  • Träna din anpassade objektidentifierings- eller klassificeringsmodell
  • Distribuera din modell till ditt devkit
  • Förbättra din modell genom att konfigurera omträning

Den här självstudien är lämplig för utvecklare med lite eller ingen AI-erfarenhet och de som precis har börjat Azure Percept.

Förutsättningar

  • Azure Percept DK (devkit)
  • Azure-prenumeration
  • Azure Percept DK installation: du har anslutit ditt devkit till ett Wi-Fi-nätverk, skapat en IoT Hub och anslutit din devkit till IoT Hub

Skapa en visionsprototyp

  1. Starta webbläsaren och gå till Azure Percept Studio.

  2. På översiktssidan klickar du på fliken Demonstrationer & självstudier. Azure Percept Studio översiktsskärm.

  3. Under Vision tutorials and demos (Självstudier och demonstrationer för Vision) klickar du på Create a vision prototype (Skapa en visionsprototyp).

    Azure Percept Studio demonstrationer och självstudier.

  4. Gör följande Azure Percept Custom Vision på sidan Ny prototyp:

    1. I rutan Project namn anger du ett namn på prototypen för din vision.

    2. Ange en beskrivning av visionens prototyp i rutan Project beskrivning.

    3. Välj Azure Percept DK under listrutan Enhetstyp.

    4. Välj en resurs under den nedrullningsna menyn Resurs eller klicka på Skapa en ny resurs. Om du väljer att skapa en ny resurs gör du följande i fönstret Skapa:

      1. Ange ett namn för den nya resursen.
      2. Välj din Azure-prenumeration.
      3. Välj en resursgrupp eller skapa en ny.
      4. Välj önskad region.
      5. Välj din prisnivå (vi rekommenderar S0).
      6. Klicka Skapa längst ned i fönstret.

      Fönstret Skapa resurs.

    5. För Project väljer du om ditt visionsprojekt ska utföra objektidentifiering eller bildklassificering. Om du vill ha mer information om projekttyperna klickar du på Hjälp mig att välja.

    6. För Optimering väljer du om du vill optimera projektet för noggrannhet, låg nätverksfördröjning eller en balans mellan båda.

    7. Klicka på knappen Skapa.

      Skärmen Skapa custom vision-prototyp.

Anslut en enhet till projektet och skapa avbildningar

När du har skapat en visionslösning måste du lägga till ditt devkit och dess IoT Hub till den.

  1. Sätt på devkit.

  2. I listrutan IoT Hub väljer du den IoT-hubb som devkit var anslutet till under OOBE.

  3. I listrutan Enheter väljer du ditt devkit.

Därefter måste du antingen läsa in bilder eller ta bilder för att träna din AI-modell. Vi rekommenderar att du laddar upp minst 30 bilder per taggtyp. Om du till exempel vill skapa en hund- och kattdetektor måste du ladda upp minst 30 bilder av hundar och 30 bilder på katter. Om du vill ta bilder med visionen SoM för ditt devkit gör du följande:

  1. I fönstret Image capture (Bildinbildning) väljer du View device stream (Visa enhetsström) för att visa SoM-videoströmmen för visionen.

  2. Kontrollera videoströmmen för att se till att SoM-kameran är korrekt justerad för att ta träningsbilderna. Gör justeringar efter behov.

  3. I fönstret Image capture (Bildinbildning) klickar du på Take photo (Ta foto).

    Skärmbild av avbildning.

  4. Du kan också konfigurera en automatisk avbildningsavbildning för att samla in ett stort antal avbildningar i taget genom att markera rutan Automatisk avbildningsavbildning. Välj önskad avbildningsfrekvens under Avbildningshastighet och det totala antalet bilder som du vill samla in under Mål. Klicka på Ange automatisk avbildning för att påbörja den automatiska avbildningsprocessen.

    Den nedrullningsbara menyn Automatisk avbildningsavbildning.

När du har tillräckligt med foton klickar du på Nästa: Tagga bilder och modellträning längst ned på skärmen. Alla avbildningar sparas i Custom Vision.

Anteckning

Om du väljer att ladda upp träningsbilder direkt till Custom Vision bör du observera att bildfilens storlek inte får överskrida 6 MB.

Tagga bilder och träna din modell

Lägg till etiketter i dina bilder innan du tränar din modell.

  1. På sidan Tagga bilder och modellträning klickar du på Öppna projekt i Custom Vision.

  2. På vänster sida av sidan Custom Vision klickar du på Otaggad under Taggar för att visa de bilder som du precis samlade in i föregående steg. Välj en eller flera av dina otaggade bilder.

  3. I fönstret Bildinformation klickar du på bilden för att börja tagga. Om du valde objektidentifiering som projekttyp måste du också rita en begränsningsruta runt specifika objekt som du vill tagga. Justera begränsningsrutan efter behov. Skriv din objekttagg och klicka för + att tillämpa taggen. Om du till exempel skapar en visionslösning som meddelar dig när en butikshyllor behöver fyllas på, lägger du till taggen "Empty Shelf" (Tom hyllor) i bilder på tomma hyllor och lägger till taggen "Full Shelf" i bilder av fulllagersocklar. Upprepa för alla otaggade bilder.

    Skärmen för bildtaggning i Custom Vision.

  4. När du har taggade bilderna klickar du på X-ikonen i det övre högra hörnet i fönstret. Klicka på Taggad under Taggar för att visa alla dina nyligen taggade bilder.

  5. När bilderna har märkts är du redo att träna din AI-modell. Det gör du genom att klicka på Träna längst upp på sidan. Du måste ha minst 15 bilder per taggtyp för att träna din modell (vi rekommenderar att du använder minst 30). Träningen tar vanligtvis cirka 30 minuter, men det kan ta längre tid om bilduppsättningen är mycket stor.

    Val av träningsbild med knappen Träna markerad.

  6. När träningen är klar visas modellens prestanda på skärmen. Mer information om hur du utvärderar dessa resultat finns i dokumentationen för modellutvärdering. Efter träningen kanske du även vill testa din modell på ytterligare bilder och träna om efter behov. Varje gång du tränar din modell sparas den som en ny iteration. Mer information om hur du Custom Vision modellprestanda finns i dokumentationen om hur du förbättrar modellen.

    Modellträningsresultat.

    Anteckning

    Om du väljer att testa din modell på ytterligare bilder i Custom Vision bör du observera att storleken på testbildens fil inte får överskrida 4 MB.

När du är nöjd med modellens prestanda stänger du Custom Vision genom att stänga webbläsarfliken.

Distribuera din AI-modell

  1. Gå tillbaka till fliken Azure Percept Studio och klicka på Nästa: Utvärdera och distribuera längst ned på skärmen.

  2. Fönstret Utvärdera och distribuera visar prestanda för den valda modell iterationen. Välj den iteration som du vill distribuera till devkit under listrutan Modell-iteration och klicka på Distribuera modell längst ned på skärmen.

    Skärmen Modelldistribution.

  3. När du har distribuerat din modell kan du visa enhetens videoström för att se hur modellens inferens fungerar.

    Enhetsström som visar en detektor för hörtelefoner i praktiken.

När du har stängt det här fönstret kan du gå tillbaka och redigera ditt visionsprojekt när som helst genom att klicka på Vision under AI Projects (AI-projekt) på Azure Percept Studio-startsidan och välja namnet på ditt visionsprojekt.

Vision-projektsida.

Förbättra din modell genom att konfigurera omträning

När du har tränat din modell och distribuerat den till enheten kan du förbättra modellens prestanda genom att konfigurera omträningsparametrar för att samla in mer träningsdata. Den här funktionen används för att förbättra en tränad modells prestanda genom att ge dig möjlighet att samla in bilder baserat på ett sannolikhetsintervall. Du kan till exempel ange att enheten endast ska samla in träningsbilder när sannolikheten är låg. Här är ytterligare vägledning om hur du lägger till fler bilder och balanserar träningsdata.

  1. Om du vill konfigurera omträning går du tillbaka till Project och sedan till Project Sammanfattning

  2. På fliken Avbildning väljer du Automatisk avbildningsavbildning och Konfigurera omträning.

  3. Konfigurera automatisk avbildningsavbildning för att samla in ett stort antal avbildningar i taget genom att markera rutan Automatisk avbildningsavbildning.

  4. Välj önskad avbildningsfrekvens under Avbildningshastighet och det totala antalet bilder som du vill samla in under Mål.

  5. I avsnittet konfigurera omträning väljer du den iteration som du vill samla in mer träningsdata för och väljer sedan sannolikhetsintervallet. Endast bilder som uppfyller sannolikhetsfrekvensen laddas upp till projektet.

    avbildningsavbildning.

Rensa resurser

Om du har skapat en ny Azure-resurs för den här självstudien och inte längre vill utveckla eller använda din visionslösning utför du följande steg för att ta bort resursen:

  1. Gå till Azure-portalen.
  2. Klicka på Alla resurser.
  3. Klicka på kryssrutan bredvid den resurs som skapades under den här självstudien. Resurstypen visas som Cognitive Services.
  4. Klicka på ikonen Ta bort längst upp på skärmen.

Videogenomgång

En visuell genomgång av stegen som beskrivs ovan finns i följande video:



Nästa steg

Titta sedan på visionsartiklarna för information om ytterligare funktioner för visionslösning i Azure Percept Studio.