เนื้อหา
- เตรียมชุดข้อมูลของคุณ
- รับสิทธิ์ทดลองใช้ Google Cloud Platform ฟรี
- สร้างโครงการ GCP ใหม่
- เปิดใช้งาน Cloud AutoML และ API การจัดเก็บข้อมูล
- สร้างฝากข้อมูล Cloud Storage
- ใช้เวลาในการฝึกอบรม: สร้างชุดข้อมูลของคุณ
- ฝึกอบรมรูปแบบการเรียนรู้ของเครื่อง
- แบบจำลองของคุณแม่นยำแค่ไหน?
- นำแบบจำลองของคุณไปทดสอบ!
- ห่อ
การเรียนรู้ของเครื่อง (ML) เป็นแนวคิดที่ทำให้เกิดเสียง Sci-Fi ของคอมพิวเตอร์ที่สอนตัวเอง ใน ML คุณให้ข้อมูลบางอย่างที่แสดงถึงประเภทของเนื้อหาที่คุณต้องการให้โมเดลการเรียนรู้ของเครื่องประมวลผลโดยอัตโนมัติจากนั้นโมเดลจะสอนตัวเองตามข้อมูลนั้น
การเรียนรู้ของเครื่องอาจทันสมัย แต่ก็มี ใหญ่ อุปสรรคในการเข้า หากคุณต้องการใช้ ML ประเภทใด ๆ โดยทั่วไปคุณจะต้องจ้างผู้เชี่ยวชาญด้านการเรียนรู้เครื่องจักรหรือนักวิทยาศาสตร์ด้านข้อมูลและอาชีพทั้งสองนี้เป็นที่ต้องการอย่างมาก!
Cloud AutoML Vision ของ Google เป็นบริการการเรียนรู้ของเครื่องใหม่ที่มีเป้าหมายที่จะนำ ML ไปสู่มวลชนด้วยการทำให้เป็นไปได้ในการสร้างรูปแบบการเรียนรู้ของเครื่องแม้ว่าคุณจะไม่มีประสบการณ์ ML ก็ตาม การใช้ Cloud AutoML Vision คุณสามารถสร้างรูปแบบการรู้จำภาพที่สามารถระบุเนื้อหาและรูปแบบในภาพถ่ายจากนั้นใช้โมเดลนี้เพื่อประมวลผลภาพที่ตามมาโดยอัตโนมัติ
ML แบบเห็นด้วยสายตาชนิดนี้สามารถใช้ได้หลายวิธี ต้องการสร้างแอปที่ให้ข้อมูลเกี่ยวกับจุดสังเกตผลิตภัณฑ์หรือบาร์โค้ดที่ผู้ใช้กำลังชี้สมาร์ทโฟนของพวกเขาที่? หรือคุณต้องการสร้างระบบค้นหาที่ทรงพลังที่ให้ผู้ใช้กรองผลิตภัณฑ์หลายพันรายการตามปัจจัยต่าง ๆ เช่นวัสดุสีหรือสไตล์ การเรียนรู้ของเครื่องเป็นวิธีที่มีประสิทธิภาพมากที่สุดวิธีหนึ่งในการมอบฟังก์ชั่นประเภทนี้
แม้ว่าจะยังอยู่ในช่วงเบต้า แต่คุณสามารถใช้ Cloud AutoML Vision เพื่อสร้างโมเดลการเรียนรู้ของเครื่องที่กำหนดเองซึ่งระบุรูปแบบและเนื้อหาในภาพถ่าย หากคุณกระตือรือร้นที่จะค้นพบสิ่งที่เป็นเรื่องเกี่ยวกับการเรียนรู้ของเครื่องทั้งหมดในบทความนี้ฉันจะแสดงวิธีการสร้างรูปแบบการรู้จำภาพของคุณเองแล้วใช้ประมวลผลรูปภาพใหม่โดยอัตโนมัติ
เตรียมชุดข้อมูลของคุณ
เมื่อทำงานกับ Cloud AutoML คุณจะใช้รูปภาพที่มีป้ายกำกับเป็นชุดข้อมูลของคุณ คุณสามารถใช้รูปภาพหรือป้ายกำกับใดก็ได้ที่คุณต้องการ แต่เพื่อช่วยให้การสอนนี้ตรงไปตรงมาฉันจะสร้างแบบจำลองง่ายๆที่สามารถแยกแยะความแตกต่างระหว่างรูปถ่ายของสุนัขและรูปถ่ายของแมว
ขั้นแรกคือการจัดหาภาพถ่ายที่เหมาะสม!
Cloud AutoML Vision ต้องการอย่างน้อย 10 ภาพต่อป้ายกำกับหรือ 50 สำหรับรุ่นขั้นสูงเช่นรุ่นที่มีหลายป้ายกำกับต่อภาพ อย่างไรก็ตามยิ่งคุณให้ข้อมูลมากเท่าไหร่โอกาสของโมเดลในการระบุเนื้อหาที่ตามมาก็จะยิ่งสูงขึ้นดังนั้นเอกสาร AutoML Vision แนะนำให้คุณใช้ อย่างน้อย 100 ตัวอย่างต่อแบบจำลอง คุณควรให้ตัวอย่างจำนวนเท่า ๆ กันต่อฉลากเนื่องจากการกระจายที่ไม่เป็นธรรมจะส่งเสริมให้โมเดลแสดงอคติต่อหมวดหมู่ "ยอดนิยม" มากที่สุด
เพื่อผลลัพธ์ที่ดีที่สุดภาพการฝึกอบรมของคุณควรแสดงถึงความหลากหลายของภาพที่รุ่นนี้จะพบตัวอย่างเช่นคุณอาจจำเป็นต้องรวมภาพที่ถ่ายในมุมต่าง ๆ ด้วยความละเอียดที่สูงขึ้นและต่ำลงและมีพื้นหลังแตกต่างกัน AutoML Vision ยอมรับภาพในรูปแบบต่อไปนี้: JPEG, PNG, WEBP, GIF, BMP, TIFF และ ICO ด้วยขนาดไฟล์สูงสุด 30MB
เนื่องจากเราเพิ่งทดสอบบริการ Cloud AutoML Vision โอกาสที่คุณจะต้องการสร้างชุดข้อมูลจะเป็นไปอย่างรวดเร็วและง่ายดายที่สุด เพื่อช่วยให้สิ่งต่าง ๆ เรียบง่ายฉันจะดาวน์โหลดรูปภาพสุนัขและแมวจำนวนมากจาก Pexels ฟรีแล้วเก็บรูปแมวและสุนัขไว้ในโฟลเดอร์แยกต่างหากเพราะจะทำให้ง่ายต่อการอัปโหลดรูปภาพเหล่านี้ในภายหลัง
โปรดทราบว่าเมื่อสร้างชุดข้อมูลที่จะใช้ในการผลิตคุณควรคำนึงถึงวิธีปฏิบัติ AI ที่รับผิดชอบเพื่อช่วยป้องกันการปฏิบัติที่ไม่เหมาะสม สำหรับข้อมูลเพิ่มเติมในหัวข้อนี้ดูที่เอกสารคู่มือ ML Inclusive ของ Google และ AI AI ที่รับผิดชอบ
มีสามวิธีในการอัปโหลดข้อมูลของคุณไปที่ AutoMl Vision:
- อัปโหลดภาพที่เรียงไว้ในโฟลเดอร์ที่สอดคล้องกับป้ายกำกับของคุณแล้ว
- นำเข้าไฟล์ CSV ที่มีภาพรวมถึงป้ายกำกับหมวดหมู่ที่เกี่ยวข้อง คุณสามารถอัปโหลดรูปภาพเหล่านี้ได้จากคอมพิวเตอร์ในพื้นที่ของคุณหรือจาก Google Cloud Storage
- อัปโหลดภาพของคุณโดยใช้ Google Cloud AutoML Vision UI จากนั้นใช้ป้ายกำกับกับแต่ละภาพ นี่คือวิธีที่ฉันจะใช้ในบทช่วยสอนนี้
รับสิทธิ์ทดลองใช้ Google Cloud Platform ฟรี
หากต้องการใช้ Cloud AutoML Vision คุณจะต้องมีบัญชี Google Cloud Platform (GCP) หากคุณไม่มีบัญชีคุณสามารถลงทะเบียนเพื่อทดลองใช้ฟรี 12 เดือนโดยไปที่หน้าลองแพลตฟอร์มคลาวด์สำหรับฟรีจากนั้นทำตามคำแนะนำ คุณ จะ จำเป็นต้องป้อนรายละเอียดบัตรเดบิตหรือบัตรเครดิตของคุณ แต่ตามคำถามที่พบบ่อยของ Free Tier สิ่งเหล่านี้ใช้เพื่อยืนยันตัวตนของคุณและคุณจะไม่ถูกเรียกเก็บเงินจนกว่าคุณจะอัปเกรดเป็นบัญชีที่ชำระเงินแล้ว
ข้อกำหนดอื่นคือคุณต้องเปิดใช้งานการเรียกเก็บเงินสำหรับโครงการ AutoML ของคุณ หากคุณเพิ่งสมัครทดลองใช้ฟรีหรือคุณไม่มีข้อมูลสำหรับการเรียกเก็บเงินที่เชื่อมโยงกับบัญชี GPC ของคุณดังนั้น:
- ตรงไปที่ GCP Console
- เปิดเมนูการนำทาง (ไอคอนมีเส้นขอบที่มุมซ้ายบนของหน้าจอ)
- เลือก“ การเรียกเก็บเงิน”
- เปิดเมนูแบบเลื่อนลง“ การเรียกเก็บเงินของฉัน” ตามด้วย“ จัดการบัญชีการเรียกเก็บเงิน”
- เลือก“ สร้างบัญชี” จากนั้นทำตามคำแนะนำบนหน้าจอเพื่อสร้างโปรไฟล์การเรียกเก็บเงิน
สร้างโครงการ GCP ใหม่
ตอนนี้คุณพร้อมที่จะสร้างโครงการ Cloud AutoML Vision แรกของคุณแล้ว:
- ตรงไปที่หน้าจัดการทรัพยากร
- คลิก“ สร้างโครงการ”
- ตั้งชื่อโครงการของคุณแล้วคลิก "สร้าง"
หากคุณมีบัญชีการเรียกเก็บเงินหลายบัญชี GCP ควรถามว่าบัญชีใดที่คุณต้องการเชื่อมโยงกับโครงการนี้ หากคุณมีบัญชีการเรียกเก็บเงินเดียว และ คุณเป็นผู้ดูแลการเรียกเก็บเงินจากนั้นบัญชีนี้จะเชื่อมโยงกับโครงการของคุณโดยอัตโนมัติ
หรือคุณสามารถเลือกบัญชีสำหรับการเรียกเก็บเงินด้วยตนเอง:
- เปิดเมนูการนำทางของ GCP Console จากนั้นเลือก“ การเรียกเก็บเงิน”
- เลือก“ เชื่อมโยงบัญชีการเรียกเก็บเงิน”
- เลือก“ ตั้งค่าบัญชี” จากนั้นเลือกบัญชีการเรียกเก็บเงินที่คุณต้องการเชื่อมโยงกับโครงการนี้
เปิดใช้งาน Cloud AutoML และ API การจัดเก็บข้อมูล
เมื่อสร้างแบบจำลองของคุณคุณจะเก็บภาพการฝึกทั้งหมดของคุณไว้ในที่เก็บข้อมูลบนคลาวด์ดังนั้นเราจำเป็นต้องเปิดใช้งาน AutoML และ Google Cloud Storage APIs:
- เปิดเมนูการนำทาง GCP และเลือก“ API และบริการ> แผงควบคุม”
- คลิก“ เปิดใช้งาน API และบริการ”
- เริ่มพิมพ์“ Cloud AutoML API” จากนั้นเลือกเมื่อมันปรากฏขึ้น
- เลือก“ เปิดใช้งาน”
- นำทางกลับไปที่หน้าจอ“ APIs & Services> Dashboard> เปิดใช้งาน API และบริการ”
- เริ่มพิมพ์“ Google Cloud Storage” แล้วเลือกเมื่อมันปรากฏขึ้น
- เลือก“ เปิดใช้งาน”
สร้างฝากข้อมูล Cloud Storage
เราจะสร้างฝากข้อมูล Cloud Storage ของเราโดยใช้ Cloud Shell ซึ่งเป็นเครื่องเสมือนออนไลน์ที่ใช้ Linux:
- เลือกไอคอน“ เปิดใช้งาน Google Cloud Shell” จากแถบส่วนหัว (ตำแหน่งเคอร์เซอร์อยู่ในภาพหน้าจอต่อไปนี้)
- ตอนนี้เซสชัน Cloud Shell จะเปิดขึ้นที่ด้านล่างของคอนโซล รอขณะที่ Google Cloud Shell เชื่อมต่อกับโครงการของคุณ
- คัดลอก / วางคำสั่งต่อไปนี้ลงใน Google Cloud Shell:
PROJECT = $ (gcloud config get-value project) && BUCKET = "$ {PROJECT} -vcm"
- กดปุ่ม "Enter" บนแป้นพิมพ์ของคุณ
- คัดลอก / วางคำสั่งถัดไปลงใน Google Cloud Shell:
gsutil mb -p $ {โครงการ} -c ภูมิภาค -l us-central1 gs: // $ {BUCKET}
- กดปุ่ม "Enter"
- ให้สิทธิ์ AutoML Service เพื่อเข้าถึงทรัพยากร Google Cloud ของคุณโดยคัดลอก / วางคำสั่งต่อไปนี้แล้วกดปุ่ม "Enter":
PROJECT = $ (gcloud config get-value project) โครงการ gcloud เพิ่ม -iam-policy-binding $ PROJECT --member = "serviceAccount: [email protected]" --role = "บทบาท / มล. ผู้ดูแลระบบ "gcloud โครงการ add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" บทบาท / storage.admin "
ใช้เวลาในการฝึกอบรม: สร้างชุดข้อมูลของคุณ
ขณะนี้เราพร้อมที่จะอัปโหลดชุดข้อมูลแล้ว! สิ่งนี้เกี่ยวข้องกับ:
- การสร้างชุดข้อมูลที่ว่างเปล่า
- การนำเข้ารูปภาพไปยังชุดข้อมูล
- กำหนดป้ายอย่างน้อยหนึ่งป้ายให้กับแต่ละรูปภาพ AutoML Vision จะไม่สนใจรูปภาพใด ๆ ที่ไม่มีป้ายกำกับ
เพื่อให้ขั้นตอนการติดฉลากง่ายขึ้นฉันจะอัปโหลดและกำหนดป้ายกำกับรูปภาพสุนัขทั้งหมดของฉันก่อนที่จะแก้ไขรูปถ่ายแมว:
- ตรงไปที่ AutoML Vision UI (ยังอยู่ในช่วงเบต้าขณะเขียน)
- เลือก“ ชุดข้อมูลใหม่”
- ตั้งชื่อบรรยายให้ชุดข้อมูลของคุณ
- คลิก“ เลือกไฟล์”
- ในหน้าต่างถัดไปให้เลือกรูปสุนัขของคุณทั้งหมดแล้วคลิก“ เปิด”
- เนื่องจากรูปภาพของเราไม่มีป้ายกำกับมากกว่าหนึ่งป้ายเราจึงสามารถยกเลิกการเลือก“ เปิดใช้งานการจัดหมวดหมู่หลายป้ายกำกับ” คลิก“ สร้างชุดข้อมูล”
เมื่อการอัปโหลดเสร็จสมบูรณ์ Cloud AutoML Vision UI จะนำคุณไปยังหน้าจอที่มีภาพทั้งหมดของคุณรวมถึงการแยกย่อยของป้ายกำกับที่คุณใช้กับชุดข้อมูลนี้
เนื่องจากชุดข้อมูลของเราในปัจจุบันมีภาพสุนัขเท่านั้นเราจึงสามารถติดป้ายชื่อ en masse:
- ในเมนูด้านซ้ายเลือก "เพิ่มป้ายกำกับ"
- พิมพ์“ dog” จากนั้นกดปุ่ม“ Enter” บนแป้นพิมพ์ของคุณ
- คลิก“ เลือกรูปภาพทั้งหมด”
- เปิดเมนูแบบเลื่อนลง "ฉลาก" และเลือก "สุนัข"
ตอนนี้เราติดป้ายกำกับรูปภาพสุนัขของเราทั้งหมดแล้วถึงเวลาที่จะย้ายไปยังภาพถ่ายแมว:
- เลือก“ เพิ่มภาพ” จากแถบส่วนหัว
- เลือก“ อัปโหลดจากคอมพิวเตอร์ของคุณ”
- เลือกรูปแมวทั้งหมดของคุณแล้วคลิก“ เปิด”
- ในเมนูด้านซ้ายเลือก "เพิ่มป้ายกำกับ"
- พิมพ์“ cat” แล้วกดปุ่ม“ Enter” บนคีย์บอร์ดของคุณ
- ผ่านและเลือกภาพถ่ายแมวแต่ละภาพโดยการวางเมาส์เหนือภาพแล้วคลิกที่ไอคอนเครื่องหมายถูกเล็ก ๆ น้อย ๆ เมื่อมันปรากฏขึ้น
- เปิดเมนูแบบเลื่อนลง "ฉลาก" และเลือก "แมว"
ฝึกอบรมรูปแบบการเรียนรู้ของเครื่อง
ตอนนี้เรามีชุดข้อมูลของเราถึงเวลาที่จะฝึกฝนโมเดลของเราแล้ว! คุณได้รับหนึ่ง คำนวณ ชั่วโมงของการฝึกอบรมฟรีต่อรุ่นมากถึง 10 รุ่นในแต่ละเดือนซึ่งหมายถึงการใช้งานการคำนวณภายในและอาจไม่สัมพันธ์กับชั่วโมงจริงบนนาฬิกา
ในการฝึกฝนโมเดลของคุณเพียง:
- เลือกแท็บ "Train" ของ AutoML Vision UI
- คลิก“ เริ่มการฝึกอบรม”
เวลาที่ Cloud AutoML Vision ใช้ในการฝึกอบรมโมเดลของคุณจะแตกต่างกันไปขึ้นอยู่กับปริมาณข้อมูลที่คุณให้แม้ว่าตามเอกสารอย่างเป็นทางการมันควรใช้เวลาประมาณ 10 นาที เมื่อแบบจำลองของคุณผ่านการฝึกอบรม Cloud AutoML Vision จะปรับใช้แบบอัตโนมัติและส่งอีเมลแจ้งให้คุณทราบว่าแบบจำลองของคุณพร้อมใช้งานแล้ว
แบบจำลองของคุณแม่นยำแค่ไหน?
ก่อนที่จะนำแบบจำลองของคุณไปทดสอบคุณอาจต้องการปรับแต่งบางอย่างเพื่อให้แน่ใจว่าการทำนายนั้นแม่นยำที่สุดเท่าที่จะเป็นไปได้
เลือกแท็บ“ ประเมิน” จากนั้นเลือกตัวกรองตัวใดตัวหนึ่งจากเมนูด้านซ้าย
ณ จุดนี้ AutoML Vision UI จะแสดงข้อมูลต่อไปนี้สำหรับป้ายกำกับนี้:
- เกณฑ์คะแนน นี่คือระดับความมั่นใจที่นางแบบต้องมีเพื่อกำหนดป้ายกำกับให้กับภาพถ่ายใหม่ คุณสามารถใช้แถบเลื่อนนี้เพื่อทดสอบผลกระทบที่แตกต่างกันของขีด จำกัด ที่จะมีในชุดข้อมูลของคุณโดยการตรวจสอบผลลัพธ์ในกราฟเรียกคืนความแม่นยำที่มาพร้อมกัน เกณฑ์ที่ต่ำกว่านั้นหมายความว่าแบบจำลองของคุณจะจัดประเภทรูปภาพได้มากขึ้น แต่มีความเสี่ยงที่เพิ่มขึ้นจากการระบุรูปภาพในทางที่ผิด หากเกณฑ์สูงโมเดลของคุณจะจัดภาพน้อยลง แต่ควรระบุรูปภาพให้น้อยลง
- ความแม่นยำเฉลี่ย นี่คือแบบจำลองของคุณที่มีประสิทธิภาพดีกว่าเกณฑ์คะแนนทั้งหมดโดย 1.0 เป็นคะแนนสูงสุด
- ความแม่นยำ ยิ่งมีความแม่นยำสูงเท่าใดคุณควรพบกับผลบวกที่ผิดพลาดน้อยลงซึ่งเป็นที่ซึ่งโมเดลนั้นใช้ฉลากที่ไม่ถูกต้องกับรูปภาพ โมเดลที่มีความแม่นยำสูงจะติดป้ายเฉพาะตัวอย่างที่เกี่ยวข้องที่สุดเท่านั้น
- จำ. จากตัวอย่างทั้งหมดที่ควรได้รับการกำหนดป้ายกำกับการเรียกคืนจะบอกเราว่ามีป้ายกำกับกำหนดจำนวนเท่าใด เปอร์เซ็นต์การเรียกคืนที่สูงขึ้นจำนวนเชิงลบที่ผิดพลาดน้อยลงที่คุณควรพบซึ่งเป็นจุดที่โมเดลไม่สามารถติดป้ายกำกับรูปภาพได้
นำแบบจำลองของคุณไปทดสอบ!
ตอนนี้เป็นส่วนที่สนุกสนาน: ตรวจสอบว่าแบบจำลองของคุณสามารถระบุได้ว่าภาพถ่ายมีสุนัขหรือแมวหรือไม่โดยการสร้างการทำนายตามข้อมูลที่ไม่เคยเห็นมาก่อน
- คว้าภาพที่ ก็ไม่ได้ รวมอยู่ในชุดข้อมูลดั้งเดิมของคุณ
- ใน AutoML Vision Console ให้เลือกแท็บ“ Predict”
- เลือก“ อัปโหลดภาพ”
- เลือกภาพที่คุณต้องการให้ AutoML Vision ทำการวิเคราะห์
- หลังจากนั้นสักครู่แบบจำลองของคุณจะทำการคาดการณ์ - หวังว่ามันถูกต้อง!
โปรดทราบว่าในขณะที่การมองเห็นของ Cloud AutoML อยู่ในช่วงเบต้าอาจมีการหน่วงเวลาการอุ่นเครื่องสำหรับรุ่นของคุณ หากคำขอของคุณส่งคืนข้อผิดพลาดให้รอสองสามวินาทีก่อนลองอีกครั้ง
ห่อ
ในบทความนี้เราพิจารณาว่าคุณสามารถใช้ Cloud AutoML Vision เพื่อฝึกอบรมและปรับใช้รูปแบบการเรียนรู้ที่กำหนดเองได้อย่างไร คุณคิดว่าเครื่องมือเช่น AutoML มีศักยภาพที่จะทำให้ผู้คนจำนวนมากขึ้นใช้การเรียนรู้ของเครื่องหรือไม่? แจ้งให้เราทราบในความคิดเห็นด้านล่าง!
