Hızlı Başlangıç: Özel Görüntü İşleme web sitesi ile sınıflandırıcı oluşturma

Bu hızlı başlangıçta, görüntü sınıflandırma modeli oluşturmak için Özel Görüntü İşleme web sitesini kullanmayı öğrenirsiniz. Bir model derlemenizin ardından yeni görüntülerle test edin ve kendi görüntü tanıma uygulamanıza tümleştirin.

Azure aboneliğiniz yoksa başlamadan önce ücretsiz bir hesap oluşturun.

Önkoşullar

• Sınıflandırıcınızı eğitmek için bir dizi görüntü. Görüntü seçme ipuçları için aşağıya bakın.

Kaynak Özel Görüntü İşleme oluşturma

Özel Görüntü İşleme Hizmeti kullanmak için Azure 'da Özel Görüntü İşleme eğitim ve tahmin kaynakları oluşturmanız gerekir. Azure portal bunu yapmak için, oluşturma özel görüntü işleme sayfasındaki iletişim penceresini, hem eğitim hem de tahmin kaynağı oluşturmak için doldurun.

Yeni proje oluşturma

Web tarayıcınızda web sayfasına gidin ve Özel Görüntü İşleme'yi seçin. Hesapta oturum a0 için kullanılan hesapla Azure portal.

1. İlk projenizi oluşturmak için Yeni proje Project. Yeni proje oluştur iletişim kutusu görüntülenir.

   

2. Proje için bir ad ve açıklama girin. Ardından bir Kaynak Grubu seçin. Oturum açılan hesabınız bir Azure hesabıyla ilişkili ise, Kaynak Grubu açılan listesinde bir Azure Hizmet Kaynağı içeren tüm Azure Özel Görüntü İşleme görüntülenir.

   Not

   Kullanılabilir kaynak grubu yoksa, customvision.ai'de oturum açmak için customvision.ai hesabıyla oturum açtığınızdan Azure portal. Ayrıca, Özel Görüntü İşleme web sitesinde, Azure portal kaynaklarınızı bulunduğu dizinle aynı "Dizin Özel Görüntü İşleme onaylayın. Her iki site de, ekranın sağ üst köşesindeki açılan hesap menüsünden dizininizi seçebilirsiniz.

3. Türler altında Sınıflandırma'Project seçin. Ardından Sınıflandırma Türleri altında, kullanım durumuna bağlı olarak Çok Etiketli veya Çok Sınıflı'yı seçin. Çok etiketli sınıflandırma herhangi bir sayıda etiketinizi bir görüntüye (sıfır veya daha fazla) uygularken, çok sınıflı sınıflandırma görüntüleri tek kategorilere sıralar (gönderdiğiniz her görüntü en olası etikete göre sıralanır). Daha sonra yapmak istediğiniz sınıflandırma türünü değiştirebilirsiniz.

4. Ardından, kullanılabilir etki alanlarından birini seçin. Her etki alanı, aşağıdaki tabloda açıklandığı gibi sınıflandırıcıyı belirli görüntü türleri için iyiler. Daha sonra isterseniz etki alanını değiştirebilirsiniz.

   Etki alanı	Amaç
   Genel	Çok çeşitli görüntü sınıflandırma görevleri için en iyi duruma getirilmiş. Diğer etki alanlarından hiçbiri uygunsa veya hangi etki alanını seçeceğinizden emin değilseniz Genel etki alanını seçin.
   Gıda	Restoran menüsünde gördüğünüz gibi yemek fotoğrafları için en iyi duruma getirilmiş. Tek tek meyvelerin veya meyvelerin fotoğraflarını sınıflandırmak için Yemek etki alanını kullanın.
   Bölümler	Hem doğal hem de yapay olan tanınabilir yer işaretleri için iyileştirilmiştir. Bu etki alanı en iyi şekilde, yer işareti fotoğrafta açıkça görünür olduğunda çalışır. Bu etki alanı, yer işareti önündeki kişiler tarafından biraz etki alanı gibi olsa bile çalışır.
   Perakende	Bir alışveriş kataloğunda veya alışveriş web sitesinde bulunan görüntüler için en iyi duruma getirilmiş. İkiz, ayakkabı ve forma arasında yüksek duyarlık sınıflendirmesi yapmak için bu etki alanını kullanın.
   Sıkıştırılmış etki alanları	Mobil cihazlarda gerçek zamanlı sınıflandırma kısıtlamaları için en iyi duruma getirilmiş. Sıkıştırılmış etki alanları tarafından oluşturulan modeller yerel olarak çalıştırmak için dışarı aktarılabilir.

5. Son olarak Proje oluştur'a seçin.

Eğitim görüntülerini seçme

En azından, ilk eğitim kümesinde etiket başına en az 30 görüntü kullanmanızı öneririz. Ayrıca, modelinizi eğitilen bir kez test etmek için birkaç ekstra görüntü toplamak isteyeceksiniz.

Modelinizi verimli bir şekilde eğitebilmek için, görüntüleri görsel ile birlikte kullanın. Değişen görüntüleri seçin:

• kamera açısı
• aydınlatma
• arka plan
• görsel stil
• bireysel/gruplanmış konu (ler)
• boyut
• tür

Ayrıca, tüm eğitim görüntülerinizin aşağıdaki ölçütleri karşıladığından emin olun:

• .jpg, .png, .bmp veya .gif biçimi
• boyutu 6MB 'tan büyük değil (tahmin görüntüleri için 4MB)
• en kısa kenarından 256 pikselden az değildir; Bundan kısa tüm görüntüler Özel Görüntü İşleme Hizmeti göre otomatik olarak ölçeklendirilir

Görüntüleri karşıya yükleme ve etiketleme

Bu bölümde, sınıflandırıcıyı eğitip yardımcı olmak için görüntüleri karşıya yükip el ile etiketleyebilirsiniz.

1. Görüntü eklemek için Görüntü ekle'yi ve ardından Yerel dosyalara gözat'ı seçin. Etiketlemeye taşımak için Aç'ı seçin. Etiket seçiminiz karşıya yüklemek için seçtiğiniz görüntü grubunun tamamına uygulanır, böylece görüntüleri uygulanan etiketlere göre ayrı gruplara yüklemek daha kolay olur. Ayrıca, karşıya yüklendikten sonra tek tek görüntülerin etiketlerini değiştirebilirsiniz.

   

2. Etiket oluşturmak için Etiketlerim alanına metin girin ve Enter tuşuna basın. Etiket zaten varsa, açılan menüde görünür. Çok etiketli bir projede görüntülerinize birden fazla etiket eklersiniz, ancak çok sınıflı bir projede yalnızca bir etiket eklersiniz. Görüntüleri karşıya yüklemeyi tamamlamak için [Upload] dosyaları düğmesini kullanın.

   

3. Görüntüler karşıya yüklendiktan sonra Bitti'yi seçin.

   

Başka bir görüntü kümesi yüklemek için bu bölümün üst bölümüne geri dönüp adımları tekrarlayın.

Sınıflandırıcıyı eğitme

Sınıflandırıcıyı eğitmek için Eğit düğmesini seçin. Sınıflandırıcı, her etiketin görsel niteliklerini tanımlayan bir model oluşturmak için tüm geçerli görüntüleri kullanır.

Eğitim işlemi yalnızca birkaç dakika sürer. Bu süre boyunca, eğitim süreciyle ilgili bilgiler Performans sekmesinde görüntülenir.

Sınıflandırıcıyı değerlendirme

Eğitim tamamlandıktan sonra modelin performansı tahmin ediliyor ve görüntüleniyor. Özel Görüntü İşleme Hizmeti, k kat çapraz doğrulama adlı bir işlem kullanarak duyarlık ve geri çağırmayı hesaplamak için eğitim için gönderilen görüntüleri kullanır. Duyarlık ve geri çağırma, bir sınıflandırıcının etkililiğini iki farklı ölçümdür:

• Duyarlık, tanımlanan sınıflandırmaların doğru olan kesirlerini gösterir. Örneğin modelde 100 görüntü köpek olarak tanımlandı ve bunlardan 99 tanesi aslında köpek ise duyarlık %99 olur.
• Geri çağırma, doğru şekilde tanımlanan gerçek sınıflandırmaların kesirlerini gösterir. Örneğin, gerçekten 100 apple görüntü olsaydı ve model 80'i apple olarak belirlediyse geri çağırma %80 olurdu.

Olasılık eşiği

Performans sekmesinin sol bölmesindeki olasılık eşiği kaydırıcısını aklınızda edin. Bu, bir tahmine uygun kabul edilmesi için gereken güven düzeyidir (duyarlık ve geri çekmeyi hesaplama amacıyla).

Tahmin çağrılarını yüksek bir olasılık eşiğine göre yorumladığınızda, — algılanan sınıflandırmaların doğru olduğu, ancak çok fazla algılanamayan sınıflandırmalar için yüksek duyarlıklı sonuçları döndürür. Düşük olasılık eşiği, — gerçek sınıflandırmaların büyük bir kısmının algılanmadığına karşın bu küme içinde daha fazla hatalı pozitif sonuç vardır. Bu şekilde, olasılık eşiğini projenizin özel ihtiyaçlarına göre ayarlamanız gerekir. Daha sonra, istemci tarafında tahmin sonuçları aldığınızda, burada kullandığınız olasılık eşiği değerini kullanmanız gerekir.

Eğitim yinelemelerini yönetme

Sınıflandırıcınızı her eğitip kendi güncelleştirilmiş performans ölçümleriyle yeni bir yineleme oluşturun. Tüm yinelemelerinizi Performans sekmesinin sol bölmesinde görüntüleyebilirsiniz. Ayrıca, kullanımdan kaldırılmışsa yinelemeyi silmek için kullanabileceğiniz Sil düğmesini de bulabilirsiniz. Bir yinelemeyi silebilirsiniz; bu yinelemeyle benzersiz olarak ilişkilendirilen tüm görüntüleri silersiniz.

Eğitilen modellere program aracılığıyla erişmeyi öğrenmek için bkz. Tahmin API'si ile modelinizi kullanma.

Sonraki adımlar

Bu hızlı başlangıçta, Özel Görüntü İşleme web sitesini kullanarak görüntü sınıflandırma modeli oluşturma ve Özel Görüntü İşleme öğrendiniz. Ardından, modelinizi geliştirmenin iterative işlemi hakkında daha fazla bilgi edinebilirsiniz.

• Özel Görüntü İşleme nedir?