תוֹכֶן
- מכין את מערך הנתונים שלך
- תבע את גרסת הניסיון שלך בחינם לפלטפורמת הענן של Google
- צור פרויקט GCP חדש
- הפעל את ממשקי API של Cloud AutoML ו- Storage
- צור דלי אחסון בענן
- זמן אימון: בניית מערך הנתונים שלך
- הכשרת מודל למידת המכונה שלך
- עד כמה המודל שלך מדויק?
- תעמיד את המודל שלך למבחן!
- מסיימים
למידת מכונה (ML) היא מושג הצליל המדעי של מחשבים המלמדים את עצמם. ב- ML אתה מספק נתונים מסוימים המייצגים את סוג התוכן שברצונך שמודל הלמידה של המכונה יעבד אוטומטית ואז המודל מלמד את עצמו על סמך נתונים אלה.
למידת מכונה עשויה להיות חדשנית, אך יש לה גם א ענק חסם הכניסה. אם אתה רוצה להשתמש בכל סוג של ML, אז בדרך כלל תצטרך לשכור מומחה ללימוד מכונות או מדען נתונים, ושני המקצועות הללו כרגע ביקוש מאוד!
החזון האוטומטי בענן של גוגל של Google הוא שירות למידת מכונות חדש שמטרתו להביא ML להמונים על ידי כך שהוא מאפשר ליצור מודל למידת מכונה, גם אם יש לך ניסיון ML אפס. באמצעות Vision AutoML של Cloud, אתה יכול ליצור מודל לזיהוי תמונות המסוגל לזהות תוכן ודפוסים בתצלומים, ואז להשתמש במודל זה כדי לעבד תמונות עוקבות באופן אוטומטי.
ניתן להשתמש בסוג זה של ML מבוסס חזותי בהרבה דרכים שונות. רוצה ליצור אפליקציה המספקת מידע על ציון דרך, מוצר או ברקוד שהמשתמש מפנה אליו את הסמארטפון? או האם ברצונך ליצור מערכת חיפוש עוצמתית המאפשרת למשתמשים לסנן אלפי מוצרים על סמך גורמים כמו חומר, צבע או סגנון? יותר ויותר, למידת מכונה היא אחת הדרכים היעילות ביותר לספק פונקציונליות מסוג זה.
למרות שזה עדיין בגרסת בטא, אתה כבר יכול להשתמש ב- Cloud AutoML Vision כדי לבנות מודלים של למידת מכונה בהתאמה אישית שמזהים דפוסים ותוכן בתמונות. אם אתה להוט לגלות על מה כל הבאז למידה של מכונה, במאמר זה אראה לך כיצד לבנות מודל זיהוי תמונה משלך ואז להשתמש בו בעיבוד תמונות חדשות באופן אוטומטי.
מכין את מערך הנתונים שלך
כשאתה עובד עם Cloud AutoML, תשתמש בתמונות שכותרתו כערכות הנתונים שלך. אתה יכול להשתמש בכל תמונות או תוויות שאתה אוהב, אך כדי לשמור על הדרכה זו בצורה פשוטה, אני יוצר מודל פשוט שיכול להבדיל בין תמונות של כלבים, לבין תמונות של חתולים.
לא משנה מה הספציפיות של הדגם שלך, השלב הראשון הוא לממן כמה תמונות מתאימות!
Vision AutoML Vision דורש לפחות 10 תמונות לכל תווית, או 50 לדגמים מתקדמים, לדוגמה דגמים שבהם הם יהיו מספר תוויות לכל תמונה. עם זאת, ככל שתספקו יותר נתונים, כך גדל הסיכוי של הדגם לזהות נכון את התוכן הבא, כך שמסמכי ה- Vision של AutoML ממליצים להשתמש לפחות 100 דוגמאות לכל דגם. עליכם לספק בערך אותו מספר דוגמאות לכל תווית, שכן חלוקה לא הוגנת תעודד את הדגם להראות הטיה כלפי הקטגוריה “הפופולרית” ביותר.
לקבלת התוצאות הטובות ביותר, תמונות האימונים שלך צריכות לייצג את מגוון התמונות שהמודל הזה יתקל בהן, למשל יתכן שתצטרך לכלול תמונות שצולמו בזוויות שונות, ברזולוציות גבוהות ונמוכות יותר ועם רקע שונה. Vision AutoML מקבל תמונות בפורמטים הבאים: JPEG, PNG, WEBP, GIF, BMP, TIFF ו- ICO, עם גודל קובץ מקסימלי של 30MB.
מכיוון שאנחנו רק מתנסים בשירות Cloud AutoML Vision, רוב הסיכויים שתרצה ליצור מערך נתונים במהירות ובקלות האפשרית. כדי לסייע בפשטות של דברים, אני מוריד חבורה של תמונות מלאי בחינם של כלבים וחתולים מ- Pexels ואז אחסן את תמונות החתול והכלב בתיקיות נפרדות, מכיוון שהדבר יקל על העלאת התמונות האלה בהמשך.
שים לב שכאשר אתה בונה מערכי נתונים לשימוש בייצור, עליך לקחת בחשבון פרקטיקות AI אחראיות, בכדי לסייע במניעת טיפול בדעות קדומות. למידע נוסף בנושא זה, עיין במדריך הכללי ML של גוגל ומסמכי תרגילי AI אחראיים.
ישנן שלוש דרכים להעלות את הנתונים שלך ל- AutoMl Vision:
- העלה את התמונות שכבר סוונו לתיקיות התואמות לתוויות שלך.
- ייבא קובץ CSV שמכיל את התמונות, בתוספת תוויות הקטגוריה המשויכות שלהם. אתה יכול להעלות תמונות אלה מהמחשב המקומי שלך, או מ- Google Cloud Storage.
- העלה את התמונות שלך באמצעות ממשק המשתמש של Google Cloud Auto Vision ואז החל תוויות על כל תמונה. זו השיטה בה אשתמש במדריך זה.
תבע את גרסת הניסיון שלך בחינם לפלטפורמת הענן של Google
כדי להשתמש ב- Vision AutoML של Cloud, תזדקק לחשבון Google Cloud Platform (GCP). אם אין לך חשבון, אתה יכול להירשם לתקופת ניסיון בחינם למשך 12 חודשים על ידי מעבר לדף נסה פלטפורמת ענן בחינם ולאחר מכן לבצע את ההוראות. אתה יהיה צריך להזין את פרטי כרטיס החיוב או כרטיס האשראי שלך, אך על פי השאלות הנפוצות של ה- Free Tier, אלה משמשים רק כדי לאמת את זהותך ולא תחויב אלא אם תשדרג לחשבון בתשלום.
הדרישה הנוספת היא שתצטרך לאפשר חיוב עבור פרויקט ה- AutoML שלך. אם נרשמת רק לתקופת ניסיון בחינם, או שאין לך פרטי חיוב הקשורים לחשבון ה- GPC שלך, אז:
- עבור אל קונסולת ה- GCP.
- פתח את תפריט הניווט (הסמל המרופד בפינה השמאלית העליונה של המסך).
- בחר "חיוב".
- פתח את התפריט הנפתח "החיוב שלי", ואחריו "נהל חשבונות חיוב."
- בחר "צור חשבון" ואז עקוב אחר ההוראות שעל המסך ליצירת פרופיל חיוב.
צור פרויקט GCP חדש
אתה מוכן כעת ליצור את פרויקט ה- Cloud AutoML Vision הראשון שלך:
- עבור לדף ניהול משאבים.
- לחץ על "צור פרויקט."
- תן שם לפרויקט שלך ולחץ על "צור".
אם יש לך מספר חשבונות לחיוב, GCP צריך לשאול איזה חשבון ברצונך לשייך לפרויקט זה. אם יש לך חשבון חיוב יחיד ו אתה מנהל החיוב, ואז חשבון זה יקושר לפרויקט שלך באופן אוטומטי.
לחלופין, אתה יכול לבחור חשבון חיוב באופן ידני:
- פתח את תפריט הניווט של מסוף ה- GCP, ואז בחר "חיוב".
- בחר "קשר חשבון חיוב".
- בחר "הגדר חשבון" ואז בחר בחשבון החיוב שברצונך לשייך לפרויקט זה.
הפעל את ממשקי API של Cloud AutoML ו- Storage
בעת יצירת הדגם שלך, תאחסן את כל תמונות האימונים שלך בדלי אחסון בענן, ולכן עלינו להפעיל את ה- AutoML ו ממשקי API לאחסון ענן של Google:
- פתח את תפריט הניווט של GCP ובחר "APIs ושירותים> לוח מחוונים."
- לחץ על "אפשר APIs ושירותים."
- התחל להקליד "API AutoML של Cloud", ואז בחר אותו כאשר הוא מופיע.
- בחר "הפעל".
- נווט בחזרה למסך "APIs and Services> Dashboard> Enable APIs and Services".
- התחל להקליד "Google Cloud Storage" ובחר אותו כאשר הוא יופיע.
- בחר "הפעל".
צור דלי אחסון בענן
אנו ניצור את דלי אחסון הענן שלנו באמצעות Cloud Shell, שהיא מחשב וירטואלי מקוון מבוסס לינוקס:
- בחר בסמל "הפעל את מעטפת הענן של גוגל" מסרגל הכותרת (שם הסמן ממוקם בתמונת המסך הבאה).
- הפגישה של ענן מעטפת תיפתח כעת בתחתית המסוף. המתן כש- Google Cloud Shell מתחבר לפרויקט שלך.
- העתק / הדבק את הפקודה הבאה ב- Google Cloud Shell:
PROJECT = $ (פרויקט gcloud config לקבל ערך) & & BUCKET = "$ {PROJECT} -vcm"
- לחץ על מקש "Enter" במקלדת.
- העתק / הדבק את הפקודה הבאה ב- Google Cloud Shell:
gsutil mb -p $ {PROJECT} -c אזורית -l us-central1 gs: // $ {BUCKET}
- לחץ על מקש "Enter".
- הענק לשירות AutoML גישה למשאבי Google Cloud שלך, על ידי העתקה / הדבקה של הפקודה הבאה ולחץ על מקש "Enter":
PROJECT = $ (פרויקט gcloud config לקבל ערך) gcloud פרויקטים add-iam-policy-binding $ PROJECT --member = "serviceAccount: [email protected]" --role = "תפקידים / מ"ל. מנהל "פרויקטים gcloud add-iam-policy מחייבים $ PROJECT - member =" serviceAccount: [email protected] " --role =" תפקידים / storage.admin "
זמן אימון: בניית מערך הנתונים שלך
עם ההגדרה הזו על הסף, אנו מוכנים כעת להעלות את מערך הנתונים שלנו! זה כרוך ב:
- יצירת מערך נתונים ריק.
- ייבוא תמונות למערך הנתונים.
- הקצאת תווית אחת לפחות לכל תמונה. חזון AutoML יתעלם לחלוטין מכל תמונות שאין להן תווית.
כדי להקל על תהליך התיוג, אני הולך להעלות ולתייג את כל תמונות הכלב שלי לפני שאני מתמודד עם צילומי החתול:
- עבור אל ממשק המשתמש של חזון AutoML (עדיין בגרסת בטא בזמן הכתיבה).
- בחר "מערך נתונים חדש."
- תן למערך הנתונים שלך שם תיאורי.
- לחץ על "בחר קבצים."
- בחלון הבא, בחר את כל תמונות הכלב שלך ולחץ על "פתח".
- מכיוון שבתמונות שלנו אין יותר מתווית אחת, אנו יכולים להשאיר את האפשרות "אפשר סיווג רב-תוויות" לבטל את הבחירה. לחץ על "צור מערך נתונים."
לאחר סיום ההעלאה, ממשק המשתמש של Cloud AutoML Vision יעביר אותך למסך המכיל את כל התמונות שלך, בתוספת פירוט של כל התוויות שהחלת במערך נתונים זה.
מכיוון שערכת הנתונים שלנו כרגע מכילה רק תמונות של כלבים, אנו יכולים לתייג אותם בהמוניהם:
- בתפריט השמאלי, בחר "הוסף תווית."
- הקלד "כלב" ואז לחץ על מקש "Enter" במקלדת שלך.
- לחץ על "בחר את כל התמונות."
- פתח את התפריט הנפתח "תווית" ובחר "כלב".
עכשיו תייגנו את כל תמונות הכלב שלנו, הגיע הזמן לעבור לתמונות החתול:
- בחר "הוסף תמונות" מסרגל הכותרות.
- בחר "העלה מהמחשב שלך."
- בחר את כל תמונות החתול שלך ולחץ על "פתח".
- בתפריט השמאלי, בחר "הוסף תווית."
- הקלד "חתול" ולחץ על מקש "Enter" במקלדת שלך.
- עברו ובחרו כל תמונה של חתול, על ידי ריחוף מעל התמונה ואז לחצו על סמל סימן הביקורת הקטן כשמופיע.
- פתח את התפריט הנפתח "תווית" ובחר "חתול."
הכשרת מודל למידת המכונה שלך
עכשיו יש לנו את מערך הנתונים שלנו, הגיע הזמן להכשיר את המודל שלנו! אתה מקבל אחד לחשב שעה של אימונים בחינם לכל דגם עבור עד 10 דגמים בכל חודש, המייצג שימוש מחושב פנימי, ולכן יתכן שלא יתאם לשעה בפועל בשעון.
כדי לאמן את הדגם שלך, פשוט:
- בחר בכרטיסייה 'רכבת' של AutoML Vision UI.
- לחץ על "התחל אימונים."
הזמן שיידרש ל- Cloud AutoML Vision לאמן את המודל שלך ישתנה בהתאם לכמות הנתונים שסיפקת, אם כי על פי המסמכים הרשמיים זה אמור לקחת בערך 10 דקות. לאחר אימון הדגם שלך, Cloud AutoML Vision יפרוס אותו אוטומטית, וישלח דוא"ל שמודיע לך שהמודל שלך מוכן כעת לשימוש.
עד כמה המודל שלך מדויק?
לפני שתעמיד את המודל שלך למבחן, מומלץ לבצע מספר שינויים כדי להבטיח שהתחזיות שלו יהיו מדויקות ככל האפשר.
בחר בכרטיסייה "הערך" ואז בחר באחד מהמסננים מהתפריט השמאלי.
בשלב זה ממשק המשתמש של AutoML Vision יציג את המידע הבא עבור תווית זו:
- סף ציון. זו רמת הביטחון שיש לדגם כדי להקצות תווית לתמונה חדשה. אתה יכול להשתמש במחוון זה כדי לבדוק את ההשפעה שיש לספים שונים על מערך הנתונים שלך, על ידי פיקוח על התוצאות בגרף זיכרון הדיוק הנלווה. סף נמוך יותר פירושו שהמודל שלך יסווג תמונות נוספות, אך יש סיכון מוגבר לכך שתזהה תמונות באופן שגוי. אם הסף גבוה, הדגם שלך יסווג פחות תמונות, אך עליו גם לזהות פחות תמונות.
- דיוק ממוצע. כך ביצועים הטובים של הדגם שלך על פני כל ספי הניקוד, כאשר 1.0 הוא הציון המקסימלי.
- דיוק. ככל שדיוק גבוה יותר, כך עליכם להיתקל בפחות חיוביות שגויות, וכאן הדגם מיישם את התווית השגויה על תמונה. מודל בעל דיוק גבוה יתייג רק את הדוגמאות הרלוונטיות ביותר.
- נזכיר. מתוך כל הדוגמאות שהיו צריכות להיות מוקצות תווית, הזכרון מספר לנו כמה מהן הוקצו למעשה תווית. ככל שאחוז הזכרון גבוה יותר, כך עליכם להיתקל בפחות שלילי שווא, וכאן הדגם לא מצליח לתייג תמונה.
תעמיד את המודל שלך למבחן!
כעת מגיע החלק המהנה: לבדוק אם הדגם שלך יכול לזהות אם תמונה מכילה כלב או חתול, על ידי יצירת חיזוי על סמך נתונים שהוא לא ראה לפני כן.
- תפוס תמונה זו לא היה כלול במערך הנתונים המקורי שלך.
- במסוף הראייה של AutoML, בחר בכרטיסייה "חיזוי".
- בחר "העלה תמונות."
- בחר את התמונה שברצונך לנתח את AutoML Vision.
- אחרי כמה רגעים, המודל שלך יבצע את התחזית שלו - אני מקווה שהוא נכון!
שים לב כי בעוד שראיית AutoML של Cloud בענן היא בטא, יתכן שיהיה עיכוב חימום עם הדגם שלך. אם בקשתך מחזירה שגיאה, המתן מספר שניות לפני שתנסה שוב.
מסיימים
במאמר זה בדקנו כיצד ניתן להשתמש ב- Cloud AutoML Vision כדי להכשיר ולפרוס מודל למידה מותאם אישית. האם אתה חושב שלכלים כמו AutoML יש פוטנציאל לגרום לאנשים רבים יותר להשתמש בלימוד מכונות? ספר לנו בתגובות למטה!
