在 Azure Machine Learning 中處理影像資料 (以辨識人臉為例)

本文將使用 Azure Machine Learning Studio，一次匯入數張影像檔，再經由一個預先訓練過的模型，偵測這些影像中是否含有人臉。

步驟一：開通 Azure 「機器學習」帳號

1. 不需要信用卡就可以免費開始使用 Azure Machine Learning (https://studio.azureml.net/)：擁有 10GB Azure Storage 的 Datasets 空間、最多建制 100 modules 以及一小時的 Machine Learning experiments 時間。

2. 如果你是成立不到五年的新創公司，可以免費申請 BizSpark 方案，享有每個月 NT$4,700 額度的 Azure credit。開通時亦無需輸入信用卡，所以沒有付費的風險。

3. 如果你是 MSDN 訂閱用戶，本來就有 Azure 免費額度，只要開通即可。

4. 當然你也可以直接申請免費試用一個月，取得 NT$6,300 元的 Azure 信用額度。

(如果你是學校老師或學生，有更多 Azure 免費資源)

步驟二：選擇合適的照片上傳至 Azure Blob 儲存體

影像、音樂、影片等檔案通常較大，Azure Blob 儲存體提供了便宜彈性的儲存空間，可作為 Azure Machine Learning 連結使用。

首先我選擇了以下 4 張照片:

然後將它們上傳至 Azure Blob (可見此文有詳細的上傳步驟):

步驟三： 匯入影像、偵測人臉

接下來我們要使用一個預先訓練過、用來偵測人臉的分類模組，並將影像檔作為資料源，逐一分析各影像裡是否含有人臉。當然未來你也可以利用 “Import Images” 模組所匯進來的影像，訓練出你自己的預測模型。

登入 Azure ML Studio，在空白的 Experiment 裡拉進”Pre-trained Cascade Image Classification”、“Import Images”、”Score Model”以及 “Execute R Script” 模組，並連結如以下:

在 “Import Images” 中設定你剛剛上傳影像的 Blob URL 位址。若你的 Blob 是設定為非公開存取的話，則需要再輸入帳號密碼。以 Public URL 為例：

然後在 “Execute R Script” 模組中，貼入以下 R Script。其重點在 Line 4，這行程式是把偵測人臉預測結果的三個欄位取出來。

    1: # Map 1-based optional input ports to variables
    2: dataset1 <- maml.mapInputPort(1) # class: data.frame
    3:  
    4: data.set = data.frame('Image Name'=dataset1['Image Name'], 'Score Labels'=dataset1['Scored Labels'], 'Label Probabilities'=dataset1['Scored Probabilities'])
    5:  
    6:  
    7: # Select data.frame to be sent to the output Dataset port
    8: maml.mapOutputPort("data.set");

步驟四：執行結果

按下 Run，等待執行結束。

我們先來看 “Import Images” 幫我們作了什麼事，選擇 Visualize 之後，會發現它幫**每一個影像的每一個像素都轉換為 RGB 數值**。觀察以下可發現，我們共匯入了 4 個影像，而因為每個影像是 640*427 像素，每一像素有 R, G, B 3 個值，所以每個影像後面有 640*427*3 = 819,480 個欄位：

我們再到 “Execute R Script” 觀察最後執行結果。

看來這個預先訓練的人臉辨識模型準確度不錯，第 1 張小狗照片判斷沒有人臉 (false)，第 2 到 4 張都成功判別出有人臉 (true)。

備註：

1. “Import Images” 支援下列的影像格式：

• Windows 點陣圖檔案：*.bmp、*.dib
• JPEG 檔案：*.jpeg、*.jpg、*.jpe
• JPEG 2000 檔案：*.jp2
• 可攜式網路圖形：*.png
• 可攜式影像格式：*.pbm、*.pgm、*.ppm
• Sun 點陣：*.sr、*.ras
• TIFF 檔案：*.tiff、*.tif

2. 請注意影像檔及 Blob 的技術細節，匯入過程中出現的錯誤通常來自這些規範：

• 所有影像必須相同大小。
• 所有影像必須具有相同的色頻。例如，您不能混用灰階 與 RGB 影像。
• 每個影像的像素數目有其上限 (實際測試發現其上限數目其實遠大於官方文件說的 65536)。 不過，影像數目不受任何限制。
• 如果您是將 Blob Container 作資料來源，則此 Container 中不能包含 Blob，只能包含影像檔。

3. “Import Images” 在第一次執行時會花較久的時間，但在影像 cached 之後即可省略匯入的動作。

延伸閱讀：

Azure 「機器學習」初體驗

Azure 「機器學習」FAQ

Azure 「機器學習」：我該用哪種演算法 (algorithms)?