練習：上傳資料

15 分鐘

現在您可以上傳用來定型機器學習模型的影像。上傳影像的方式有兩種：

在自訂視覺入口網站中，選取、上傳然後標記影像。
在 Jupyter Notebook 等工具中，可使用自訂視覺 SDK 中包含的影像。

有大量的資料、影像類別和標記需上傳時，使用自訂視覺 SDK 會更快速。不過您可以選擇後續小節中說明的其中一個選項。完成這些步驟，以最適合您的方式上傳資料集內的影像。

選項 1：使用自訂視覺入口網站上傳和標記影像

每個子資料夾必須個別上傳和標記影像。在此練習中，您可能會想要根據上傳速度，在四或五個子資料夾中上傳影像。請記住，定型機器學習課程模組時，若有更多且不同的範例會產生更好的結果。

在自訂視覺入口網站中建立專案：
1. 前往 https://www.customvision.ai/projects 並註冊。選取 [新增專案]。
2. 在 [建立新專案] 中：
  1. [名稱] 請輸入您選擇的專案名稱。
  2. [描述] 請輸入模型的簡短描述。
  3. [資源群組] 請選取在 Azure 入口網站中建立的資源群組。
  4. [專案類型] 請選取 [分類]。
  5. [分類類型] 請選取 [多類別 (每個影像單一標記)]。
  6. [領域] 請選取 [一般]。
  7. 選取建立專案。
注意

如果您想要匯出模型以部署到行動裝置，或是 TensorFlow.js 或 IoT，請在 [領域] 下，選取 [精簡] 模型選項。您可在建立專案之後，於設定中變更此選項。
新增某個鳥類物種的影像和標記：
1. 在自訂視覺專案中，選取 [新增影像]。
2. 在 [開啟] 中，前往 birds-photo 資料夾 (您已從資料集 zip 檔將影像檔解壓縮至此資料夾中)。
3. 開啟一個鳥類物種的資料夾。
4. 按下 Ctrl + A，選取該物種資料夾中的所有影像，然後選取 [開啟]。
5. 在 [影像上傳] 裡的 [我的標記] 中新增描述，指出相片中顯示的鳥類物種為何。
6. 選取 [上傳 <數目> 個檔案]。
重複上述步驟，上傳所下載資料集中每個鳥類物種資料夾中的相片。

選項 2：使用 Python 和自訂視覺 SDK 上傳和標記影像

自訂視覺 SDK 提供下列程式設計語言版本：Python、.NET、Node.js、Go 和 Java。我們使用的是 Python。若您尚未安裝 Python，建議透過 Anaconda 安裝取得。下載 Anaconda 時便會取得 Python。

若您偏好從 GitHub 下載程式碼，則可使用下列命令來複製存放庫：

git clone https://github.com/MicrosoftDocs/mslearn-cv-classify-bird-species.git

請遵循下列步驟來建立虛擬環境，並將程式碼貼至環境：

開啟您選擇的 IDE。然後，執行下列命令來匯入套件：
```
!pip install azure-cognitiveservices-vision-customvision
```

匯入執行指令碼所需的套件：

from azure.cognitiveservices.vision.customvision.training import CustomVisionTrainingClient
from azure.cognitiveservices.vision.customvision.training.models import ImageFileCreateEntry
from azure.cognitiveservices.vision.customvision.training.models import ImageFileCreateBatch
from msrest.authentication import ApiKeyCredentials 
import numpy as np

現在請使用下列程式碼來建立自訂視覺專案。執行程式碼之前，請將 <endpoint> 和 <key> 預留位置取代為您自訂視覺資源的值。

取得自訂視覺資源值的方式：
1. 在 Azure 入口網站中，前往您的自訂視覺資源。
2. 在資源功能表中的 [資源管理] 下，選取 [金鑰與端點]。
3. 從 [端點] 方塊中複製此值。在程式碼中，將 <endpoint> 預留位置取代為此值。
4. [金鑰 1] 請選取複製圖示來複製金鑰。在程式碼中，將 <key> 預留位置取代為此值。
程式碼看起來會像是以下範例：
```
ENDPOINT = "<endpoint>"

# Replace with a valid key
training_key = "<key>"
credentials = ApiKeyCredentials(in_headers={"Training-key": training_key})
publish_iteration_name = "classifyBirdModel"

trainer = CustomVisionTrainingClient(ENDPOINT, credentials)

# Create a new project
print ("Creating project...")
project = trainer.create_project("Bird Classification")

print("Project created!")
```
將下載的 bird-photos.zip 檔案解壓縮到儲存 Jupyter Notebook 檔案的相同目錄中。新增下列程式碼，變更為您專案中的鳥類相片目錄。
```
# Change to the directory for the bird photos
import os
os.chdir('./bird-photos/custom-photos')
```
警告

只執行此資料格中的程式碼一次。如果您嘗試執行該資料格多次，但沒有重新啟動 Python 核心，那麼資料格執行將會失敗。
新增下列程式碼，取得鳥類類型標記的清單。系統會根據 bird-photos/custom-photos 目錄中的資料夾名稱來建立標記：
```
# Create a tag list from folders in bird directory
tags = [name for name in os.listdir('.') if os.path.isdir(name)]
print(tags)
```

接下來，我們會建立三個將在 for 迴圈中呼叫的函式：

createTag 函式會在自訂視覺專案中建立類別標記。
createImageList 函式會使用標記名稱和標記識別碼來建立影像清單。
image_list 函式會分批上傳清單中影像。

建立三個函式的方式：

在 Jupyter Notebook 檔案中，新增 createTag 函式程式碼。此函式會在自訂視覺專案中建立影像名稱標記。

tag_id = createTag(tag)
print(f"tag creation done with tag id {tag_id}")
image_list = createImageList(tag, tag_id)
print("image_list created with length " + str(len(image_list)))

# Break list into lists of 25 and upload in batches
for i in range(0, len(image_list), 25):
    batch = ImageFileCreateBatch(images=image_list[i:i + 25])
    print(f'Upload started for batch {i} total items {len(image_list)} for tag {tag}...')
    uploadImageList(batch)
    print(f"Batch {i} Image upload completed. Total uploaded {len(image_list)} for tag {tag}")

接下來，新增 createImageList 函式的程式碼。此函數會採用兩個參數：資料夾名稱清單中的一個 tag 名稱，以及我們在自訂視覺專案中所建立標記的 tag_id。此函式會使用 base_image_url 值，將目錄設定為包含從資料夾名稱所建立 tag 影像的資料夾。然後，我們會將每個影像附加至清單，然後使用此清單來分批上傳給所建立的 tag：

def createImageList(tag, tag_id):

# Set directory to current tag.
   base_image_url = f"./{tag}/"
   photo_name_list = os.listdir(base_image_url)
   image_list = []
   for file_name in photo_name_list:
       with open(base_image_url+file_name, "rb") as image_contents:
           image_list.append(ImageFileCreateEntry(name=base_image_url+file_name, contents=image_contents.read(), tag_ids=[tag_id]))
   return image_list

要新增的最後一個程式碼是用於建立 uploadImageList 函式。我們會傳入從資料夾建立的 image_list，然後將該清單上傳給 tag：

def uploadImageList(image_list):
      upload_result = trainer.create_images_from_files(project_id=project.id, batch=image_list)
      if not upload_result.is_batch_successful:
         print("Image batch upload failed.")
         for image in upload_result.images:
              print("Image status: ", image.status)
         exit(-1)

現在要為主要方法新增程式碼。此方法會針對每個標記呼叫我們所建立的三個函式。我們將在從 bird-photos/custom-photos 目錄中資料夾建立的 tags 集合中，對每個標記 (資料夾名稱) 執行迴圈。以下是 for 迴圈中的步驟：
1. 呼叫先前建立的 createTag 函數，在自訂視覺專案中建立類別 tag。
2. 呼叫先前建立的 createImageList 函數，並使用自訂視覺所傳回的 tag 名稱和 tag_id 值。函式會傳回要上傳的影像清單。
3. 呼叫先前建立的 imageList 函數，分為 25 個批次上傳 image_list 的影像。由於若嘗試一次上傳整個資料集，自訂視覺則會逾時，因此分為 25 個批次上傳。
```
for tag in tags: 
      tag_id = createTag(tag)
      print(f"tag creation done with tag id {tag_id}")
      image_list = createImageList(tag, tag_id)
      print("image_list created with length " + str(len(image_list)))

# Break list into lists of 25 and upload in batches.
 for i in range(0, len(image_list), 25):
      batch = ImageFileCreateBatch(images=image_list[i:i + 25])
      print(f'Upload started for batch {i} total items {len  (image_list)} for tag {tag}...')
      uploadImageList(batch)
      print(f"Batch {i} Image upload completed. Total uploaded  {len(image_list)} for tag {tag}")
```
  警告
  
  只執行此資料格中的程式碼一次。如果嘗試執行資料格多次，但沒有刪除自訂視覺專案，資料格執行將會失敗。

繼續

練習：上傳資料

選項 1：使用自訂視覺入口網站上傳和標記影像

選項 2：使用 Python 和自訂視覺 SDK 上傳和標記影像

意見反應