中国美食网站模板免费下载,php网站开发应具备能力,做销售找客户的网站,企业网站建设业务报价单目录 一、数据准备二、创建自定义视觉资源三、创建新项目四、选择训练图像五、上传和标记图像六、训练分类器七、评估分类器概率阈值 八、管理训练迭代 在本文中#xff0c;你将了解如何使用Azure可视化页面创建图像分类模型。 生成模型后#xff0c;可以使用新图像测试该模型… 目录 一、数据准备二、创建自定义视觉资源三、创建新项目四、选择训练图像五、上传和标记图像六、训练分类器七、评估分类器概率阈值 八、管理训练迭代 在本文中你将了解如何使用Azure可视化页面创建图像分类模型。 生成模型后可以使用新图像测试该模型并最终将该模型集成到你自己的图像识别应用中。 关注TechLead分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验同济本复旦硕复旦机器人智能实验室成员阿里云认证的资深架构师项目管理专业人士上亿营收AI产品研发负责人。 一、数据准备
一组用于训练分类模型的图像。 可以使用 GitHub 上的一组示例图像。 或者可以根据下面的提示选择你自己的图像。
二、创建自定义视觉资源
若要使用自定义视觉服务需要在 Azure 中创建“自定义视觉训练和预测”资源。 为此在 Azure 门户中填写创建自定义视觉页上的对话框窗口以创建“训练和预测”资源。
三、创建新项目
在 Web 浏览器中导航到自定义影像服务网页然后选择“登录” 。 使用登录 Azure 门户时所用的帐户进行登录。 若要创建首个项目请选择“新建项目” 。 将出现“创建新项目”对话框 。 输入项目名称和描述。 然后选择自定义视觉训练资源。 如果登录帐户与 Azure 帐户相关联则“资源”下拉列表将显示所有兼容的 Azure 资源。
注意 如果没有可用的资源请确认已使用登录 Azure 门户时所用的同一帐户登录 customvision.ai。 此外请确认在自定义视觉网站中选择的“目录”与自定义视觉资源所在 Azure 门户中的目录相同。 在这两个站点中可从屏幕右上角的下拉帐户菜单中选择目录。 选择“项目类型”下的“分类”。 然后在“分类类型”下根据用例选择“多标签”或“多类”。 多标签分类将任意数量的标记应用于图像零个或多个而多类分类将图像分类为单个类别提交的每个图像将被分类为最有可能的标记。 以后可以更改分类类型如果需要。 接下来选择一个可用域。 每个域都会针对特定类型的图像优化模型如下表所述。 稍后可按需更改域。 域目的常规针对各种图像分类任务进行优化。 如果其他域都不合适或者不确定要选择哪个域请选择“通用”域。食物针对餐厅菜肴的照片进行优化。 如果要对各种水果或蔬菜的照片进行分类请使用“食品”域。特征点针对可识别的自然和人造地标进行优化。 在照片中的地标清晰可见的情况下该域效果最佳。 即使照片中的人物稍微遮挡了地标该域仍然有效。零售针对购物目录或购物网站中的图像进行优化。 若想对连衣裙、裤子和衬衫进行精准分类请使用此域。压缩域针对移动设备上实时分类的约束进行优化。 可导出压缩域生成的模型在本地运行。 最后选择“创建项目”。
四、选择训练图像
作为最低要求我们建议在初始训练集中每个标记使用至少 30 张图像。 此外还需要收集一些额外的图像以便在训练模型后测试模型。
为了有效地训练模型请使用具有视觉多样性的图像。 选择在以下方面有所不同的图像
照相机角度照明background视觉样式个人/分组主题大小type
此外请确保所有训练图像满足以下条件
.jpg、.png、.bmp 或 .gif 格式大小不超过 6 MB 预测图像不超过 4 MB最短的边不小于 256 像素任何小于此像素的图像将通过自定义影像服务自动纵向扩展
五、上传和标记图像
在本部分中将上传图像并手动标记图像以帮助训练分类器。
若要添加图像请选择“添加图像”然后选择“浏览本地文件” 。 选择“打开”以移至标记。 标记选择将应用于已选择要上传的整组图像因此根据其应用的标记将图像分成单独的组更容易上传。 还可在上传图像后更改单个图像的标记。 若要创建标记请在“我的标记”字段中输入文本然后按 Enter 键。 如果标记已存在它会在下拉列表菜单中显示。 在多标签项目中可以将多个标记添加到图像但多类项目中只能添加一个标记。 若要完成上传图像请使用“上传 [编号] 文件”按钮。 上传图像后选择“完成”。 若要上传另一组图像请返回到本部分顶部并重复上述步骤。
六、训练分类器
若要训练分类器请选择“训练”按钮。 分类器使用所有当前图像来创建模型该模型可标识每个标记的视觉质量。 这个过程可能需要几分钟。 此训练过程应该只需要几分钟的时间。 在此期间会在“性能”选项卡显示有关训练过程的信息。
七、评估分类器
完成训练后评估并显示该模型的性能。 自定义视觉服务使用提交用于训练的图像来计算精确度和召回率。 精确度和召回率是分类器有效性的两个不同的度量
精确度表示已识别的正确分类的分数。 例如如果模型将 100 张图像识别为狗实际上其中 99 张是狗那么精确度为 99%。召回率表示正确识别的实际分类的分数。 例如如果实际上有 100 张苹果的图像并且该模型将 80 张标识为苹果则召回率为 80%。
概率阈值
请注意“性能”选项卡左窗格上的“概率阈值”滑块 。这是预测被视为正确时所需具有的置信度用于计算精度和召回率。
当解释具有高概率阈值的预测调用时它们往往会以牺牲召回为代价返回高精度的结果 - 检测到的分类是正确的但许多分类仍然未被检测到。 使用较低的概率阈值则恰恰相反 - 大多数实际分类会被检测到但该集合内有更多误报。 考虑到这一点应该根据项目的特定需求设置概率阈值。 稍后在客户端接收预测结果时应使用与此处所用概率阈值相同的概率阈值。
八、管理训练迭代
每次训练分类器时都会创建一个新的迭代其中包含已更新的性能指标。 可以在“性能”选项卡的左窗格中查看所有迭代。还可以找到“删除”按钮如果迭代已过时可以使用该按钮删除迭代。 删除迭代时会删除唯一与其关联的所有图像。
请参阅[将模型与预测 API 配合使用]以了解如何以编程方式访问已训练模型。 关注TechLead分享AI全维度知识。作者拥有10年互联网服务架构、AI产品研发经验、团队管理经验同济本复旦硕复旦机器人智能实验室成员阿里云认证的资深架构师项目管理专业人士上亿营收AI产品研发负责人。
