Innhold

• Forbereder datasettet
• Gjør krav på gratis prøveperiode for Google Cloud Platform
• Lag et nytt GCP-prosjekt
• Aktiver Cloud AutoML og Storage API-er
• Lag en Cloud Storage-bøtte
• Tid for å trene: Bygg datasettet
• Opplæring av din maskinlæringsmodell
• Hvor nøyaktig er modellen din?
• Sett modellen din på prøve!
• Innpakking

Maskinlæring (ML) er det sci-fi-klingende konseptet for datamaskiner som lærer seg selv. I ML leverer du noen data som representerer typen innhold du vil at maskinlæringsmodellen skal behandles automatisk, og så lærer modellen seg ut basert på disse dataene.

Læring av maskiner kan være nyskapende, men den har også en enorm hindring for innreise. Hvis du vil bruke noen form for ML, må du vanligvis ansette en maskinlæringsekspert eller en dataforsker, og begge disse yrkene er for tiden veldig etterspurt!

Googles Cloud AutoML Vision er en ny maskinlæringstjeneste som tar sikte på å bringe ML til massene ved å gjøre det mulig å lage en maskinlæringsmodell, selv om du har null ML-erfaring. Ved hjelp av Cloud AutoML Vision kan du lage en modell for gjenkjenning som kan identifisere innhold og mønstre i fotografier, og deretter bruke denne modellen til å behandle påfølgende bilder automatisk.

Denne typen visuelt baserte ML kan brukes på mange forskjellige måter. Vil du lage en app som gir informasjon om et landemerke, produkt eller strekkode brukeren peker smarttelefonen sin på? Eller ønsker du å lage et kraftig søkesystem som lar brukere filtrere tusenvis av produkter basert på faktorer som materiale, farge eller stil? I økende grad er maskinlæring en av de mest effektive måtene å levere denne typen funksjonalitet.

Selv om det fremdeles er i beta, kan du allerede bruke Cloud AutoML Vision til å lage tilpassede maskinlæringsmodeller som identifiserer mønstre og innhold på bilder. Hvis du er ivrig etter å oppdage hva all maskinlæring-sansen handler om, vil jeg i denne artikkelen vise deg hvordan du bygger din egen bildegjenkjenningsmodell, og deretter bruke den til å behandle nye bilder automatisk.

Forbereder datasettet

Når du jobber med Cloud AutoML, bruker du merkede bilder som datasett. Du kan bruke alle bilder eller etiketter du liker, men for å holde denne opplæringen grei vil jeg lage en enkel modell som kan skille mellom bilder av hunder og bilder av katter.

Uansett spesifikasjoner for modellen din, er det første trinnet å skaffe passende bilder!

Cloud AutoML Vision krever minst 10 bilder per etikett, eller 50 for avanserte modeller, for eksempel modeller der de vil være flere etiketter per bilde. Jo flere data du gir, desto større er sjansene for å identifisere etterfølgende innhold riktig, så AutoML Vision-dokumentene anbefaler at du bruker i det minste 100 eksempler per modell. Du bør også gi omtrent samme antall eksempler per etikett, da en urettferdig distribusjon vil oppmuntre modellen til å vise skjevhet mot den mest "populære" kategorien.

For de beste resultatene, skal treningsbildene dine representere de forskjellige bildene som denne modellen vil møte, for eksempel kan det hende du trenger å inkludere bilder tatt i forskjellige vinkler, i høyere og lavere oppløsninger og med ulik bakgrunn. AutoML Vision godtar bilder i følgende formater: JPEG, PNG, WEBP, GIF, BMP, TIFF og ICO, med en maksimal filstørrelse på 30 MB.

Siden vi bare eksperimenterer med Cloud AutoML Vision-tjenesten, er sjansen stor for at du vil opprette et datasett så raskt og enkelt som mulig. For å hjelpe ting enkelt, laster jeg ned en mengde gratis arkivbilder av hunder og katter fra Pexels, og deretter lagrer katte- og hundebildene i separate mapper, da dette vil gjøre det lettere å laste opp disse bildene senere.

Merk at når du bygger datasett for bruk i produksjonen, bør du ta hensyn til ansvarlige AI-praksiser, for å forhindre skadelig behandling. For mer informasjon om dette emnet, sjekk Googles inkluderende ML-guide og ansvarlige AI Practices-dokumenter.

Det er tre måter å laste opp dataene dine til AutoMl Vision på:

• Last opp bildene som allerede er sortert i mapper som tilsvarer etikettene dine.
• Importer en CSV-fil som inneholder bildene, pluss tilknyttede kategorietiketter. Du kan laste opp disse bildene fra din lokale datamaskin eller fra Google Cloud Storage.
• Last opp bildene dine ved hjelp av Google Cloud AutoML Vision UI, og bruk deretter etiketter på hvert bilde. Dette er metoden jeg skal bruke i denne opplæringen.

Gjør krav på gratis prøveperiode for Google Cloud Platform

For å bruke Cloud AutoML Vision, trenger du en Google Cloud Platform (GCP) -konto. Hvis du ikke har en konto, kan du registrere deg for en 12 måneders gratis prøveperiode ved å gå over til Try Cloud Platform for gratis-siden, og deretter følge instruksjonene. Du vil trenger å oppgi debet- eller kredittkortinformasjonen din, men i henhold til FAQ i gratis nivå brukes disse bare til å bekrefte identiteten din, og du blir ikke belastet med mindre du oppgraderer til en betalt konto.

Det andre kravet er at du må aktivere fakturering for AutoML-prosjektet. Hvis du bare har registrert deg for en gratis prøveperiode, eller ikke har noen faktureringsinformasjon knyttet til GPC-kontoen din, kan du gjøre det:

• Gå over til GCP-konsollen.
• Åpne navigasjonsmenyen (det fôrede ikonet i øverste venstre hjørne av skjermen).
• Velg "Fakturering."
• Åpne rullegardinmenyen Min fakturering, etterfulgt av "Administrer faktureringskontoer."
• Velg "Opprett konto", og følg deretter instruksjonene på skjermen for å opprette en faktureringsprofil.

Lag et nytt GCP-prosjekt

Du er nå klar til å lage ditt første Cloud AutoML Vision-prosjekt:

• Gå til siden Administrer ressurser.
• Klikk "Opprett prosjekt."
• Gi prosjektet ditt et navn, og klikk deretter "Opprett."

Hvis du har flere faktureringskontoer, bør GCP spørre hvilken konto du vil knytte til dette prosjektet. Hvis du har en enkelt faktureringskonto og du er faktureringsadministrator, så blir denne kontoen automatisk koblet til prosjektet ditt.

Alternativt kan du velge en faktureringskonto manuelt:

• Åpne navigasjonsmenyen til GCP Console, og velg deretter Fakturering.
• Velg "Koble en faktureringskonto."
• Velg "Angi konto", og velg deretter faktureringskontoen du vil knytte til dette prosjektet.

Aktiver Cloud AutoML og Storage API-er

Når du oppretter din modell, lagrer du alle treningsbildene dine i en Cloud Storage-bøtte, så vi må aktivere AutoML og Google Cloud Storage APIer:

• Åpne GCP-navigasjonsmenyen og velg "APIer og tjenester> Dashboard."
• Klikk på "Aktiver APIer og tjenester."
• Begynn å skrive “Cloud AutoML API,” og velg det når det vises.
• Velg "Aktiver."
• Naviger tilbake til skjermbildet "APIer og tjenester> Dashbord> Aktiver APIer og tjenester".
• Begynn å skrive "Google Cloud Storage", og velg det når det vises.
• Velg "Aktiver."

Lag en Cloud Storage-bøtte

Vi oppretter vår Cloud Storage-bøtte ved hjelp av Cloud Shell, som er en online, Linux-basert virtuell maskin:

• Velg "Aktiver Google Cloud Shell" -ikonet fra topplinjen (der markøren er plassert i følgende skjermbilde).

• En Cloud Shell-økt vil nå åpne langs bunnen av konsollen. Vent mens Google Cloud Shell kobles til prosjektet ditt.
• Kopier / lim inn følgende kommando i Google Cloud Shell:

PROJECT = $ (gcloud config get-value prosjekt) && BUCKET = "$ {PROJECT} -vcm"

• Trykk "Enter" -tasten på tastaturet.
• Kopier / lim inn neste kommando i Google Cloud Shell:

gsutil mb -p $ {PROJECT} -c regional -l us-central1 gs: // $ {BUCKET}

• Trykk "Enter" -tasten.
• Gi AutoML Service tillatelse til å få tilgang til Google Cloud-ressursene dine, ved å kopiere / lime inn følgende kommando og deretter trykke "Enter" -tasten:

PROJECT = $ (gcloud config get-value prosjekt) gcloud prosjekter add-iam-policy-binding $ PROJECT --member = "serviceAccount: [email protected]" --role = "roller / ml. admin "gcloud projects add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" roller / storage.admin "

Tid for å trene: Bygg datasettet

Med dette oppsettet ute av veien, er vi nå klare til å laste opp datasettet vårt! Dette innebærer:

1. Oppretter et tomt datasett.
2. Importerer bilder til datasettet.
3. Tildeler minst en etikett til hvert bilde. AutoML Vision vil ignorere bilder som ikke har noen etikett, fullstendig.

For å gjøre merkeprosessen enklere, skal jeg laste opp og merke alle hundebildene mine før jeg tar tak i kattebildene:

• Gå over til AutoML Vision UI (fremdeles i beta i skrivende stund).
• Velg "Nytt datasett."
• Gi datasettet ditt et beskrivende navn.
• Klikk på "Velg filer."
• I det påfølgende vinduet velger du alle hundebildene dine, og klikker deretter på "Åpne."
• Siden bildene våre ikke har mer enn en etikett, kan vi la “Aktiver klassifisering av flere etiketter” ikke være valgt. Klikk "Opprett datasett."

Når opplastingen er fullført, vil Cloud AutoML Vision UI ta deg til en skjerm som inneholder alle bildene dine, pluss en oversikt over alle etiketter du har brukt på dette datasettet.

Siden datasettet vårt foreløpig bare inneholder bilder av hunder, kan vi merke dem masse:

• I menyen til venstre velger du "Legg til etikett."
• Skriv inn "hund", og trykk deretter "Enter" -tasten på tastaturet.
• Klikk på "Velg alle bilder."
• Åpne rullegardinmenyen “Etikett”, og velg “hund.”

Nå har vi merket alle hundebildene våre, det er på tide å gå videre til kattebildene:

• Velg “Legg til bilder” fra topplinjen.
• Velg "Last opp fra datamaskinen."
• Velg alle kattefotoene dine, og klikk deretter på "Åpne."
• I menyen til venstre velger du "Legg til etikett."
• Skriv inn "cat" og trykk deretter "Enter" -tasten på tastaturet.
• Gå gjennom og velg hvert kattfoto, ved å holde musepekeren over bildet og deretter klikke på det lille hakeikonet når det vises.
• Åpne rullegardinmenyen “Etikett”, og velg “Katt.”

Opplæring av din maskinlæringsmodell

Nå har vi datasettet vårt, det er på tide å trene modellen vår! Du mottar en beregne time gratis opplæring per modell for opptil 10 modeller hver måned, som representerer intern beregningsbruk, og derfor kanskje ikke korrelerer med en faktisk time på klokka.

For å trene modellen din, ganske enkelt:

• Velg AutoML Vision UI-kategorien "Tog".
• Klikk på "Start trening."

Tiden det tar Cloud AutoML Vision å trene modellen vil variere avhengig av datamengden du har gitt, selv om det ifølge de offisielle dokumentene skal ta rundt 10 minutter. Når modellen din er opplært, vil Cloud AutoML Vision distribuere den automatisk, og sende en e-post som melder deg om at modellen din nå er klar til bruk.

Hvor nøyaktig er modellen din?

Før du setter modellen din på prøve, kan det være lurt å lage noen justeringer for å sikre at spådommene er så nøyaktige som mulig.

Velg kategorien "Evaluer", og velg deretter et av filtrene dine fra venstre meny.

På dette tidspunktet viser AutoML Vision UI følgende informasjon for denne etiketten:

• Poenggrense. Dette er nivået av selvtillit modellen må ha, for å tilordne en etikett til et nytt bilde. Du kan bruke denne glidebryteren til å teste virkningen forskjellige terskler vil ha på datasettet ditt, ved å overvåke resultatene i den medfølgende grafikken for presis tilbakekalling. Lavere terskelverdier betyr at modellen din vil klassifisere flere bilder, men det er en økt risiko for at det blir feilidentifisert bilder. Hvis terskelen er høy, vil modellen din klassifisere færre bilder, men den bør også identifisere færre bilder feil.
• Gjennomsnittlig presisjon. Dette er hvor bra modellen din presterer på tvers av alle poenggrenser, med 1.0 som den maksimale poengsummen.
• Presisjon. Jo høyere presisjon, jo færre falske positiver bør du møte, og det er her modellen bruker feil etikett på et bilde. En høypresisjonsmodell vil kun merke de mest relevante eksemplene.
• Minnes. Av alle eksemplene som burde vært tildelt en etikett, forteller tilbakekallingen hvor mange av dem som faktisk ble tildelt en etikett. Jo høyere tilbakekallingsprosent, jo færre falske negativer bør du støte på, og det er her modellen ikke klarer å merke et bilde.

Sett modellen din på prøve!

Nå kommer den morsomme delen: å sjekke om modellen din kan identifisere om et bilde inneholder en hund eller en katt, ved å generere en prediksjon basert på data som den ikke har sett før.

• Ta et bilde som var ikke inkludert i det originale datasettet.
• I AutoML Vision Console velger du kategorien "Predict".
• Velg "Last opp bilder."
• Velg bildet du vil at AutoML Vision skal analysere.
• Etter noen øyeblikk vil modellen din forutsi - forhåpentligvis er den riktig!

Merk at mens Cloud AutoML-visjonen er i beta, kan det være en oppvarmingsforsinkelse med modellen din. Hvis forespørselen din returnerer en feil, må du vente noen sekunder før du prøver igjen.

Innpakking

I denne artikkelen så vi på hvordan du kan bruke Cloud AutoML Vision til å trene og distribuere en tilpasset læringsmodell. Tror du at verktøy som AutoML har potensial til å få flere til å bruke maskinlæring? Gi oss beskjed i kommentarene nedenfor!