Exercício – implantar o modelo e consumir o ponto de extremidade

Concluído

Como nosso modelo está apresentando um desempenho satisfatório, vamos implantá-lo!

A implantação pode ser feita com diferentes opções. A opção escolhida depende de como você deseja usar o modelo de machine learning. Você pode fazer a implantação em um ponto de extremidade ou exportar o modelo para implantação em diferentes plataformas.

Vamos discutir como implantar no ponto de extremidade e consumir o modelo usando um aplicativo.

Implantar em um ponto de extremidade

Você pode implantar em um ponto de extremidade obtendo a URL de previsão ou consumindo a API em um aplicativo Python.

Obter a URL de previsão

1. Na barra de menu superior do portal de Visão Personalizada, selecione Desempenho.

2. Selecione Publicar.

3. Em Modelo de Publicação, selecione Recurso de previsão e escolha o nome da previsão no projeto de Visão Personalizada. Selecione Publicar.

   

   Depois que o modelo é publicado, as ações do modelo são alteradas no portal de Visão Personalizada.

4. Selecione a guia URL de Previsão.

5. Em Como usar a API de previsão, na caixa de texto sob Insira sua URL de imagem, copie e salve o valor e selecione Pronto.

   

Consumir a API em um aplicativo Python

Quando o modelo for treinado e executado com precisão satisfatória, ele estará pronto para uso em um aplicativo.

1. No portal do Azure, acesse o grupo que contém o recurso de Visão Personalizada. Um recurso chamado <YourCustomVisionResourceName>-Prediction é mostrardo com o grupo de recursos original.

   

2. Selecione o nome de previsão para abrir a página de Visão geral. Essa página contém links para recursos que podem ajudar você a entender melhor como chamar a API para obter previsões por meio do modelo.

3. Em Começar, na seção 3, selecione o link para o Início rápido do Python. O Início rápido de classificação de imagem dos serviços de IA do Azure para Python é aberto no seu navegador da Web.

   

   Veja abaixo um modelo de código de exemplo de chamada da API de previsão no Python. Confira o início rápido para obter o código completo.

   from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
   
   # Create variables for your resource; replace variables with valid values.
   prediction_key = "<YourKey>"
   endpoint = "<YourEndpoint>"
   base_image_url = "<BasePathToImageFolder>"
   
   # An example of a default iteration name is "Iteration1".
   publish_iteration_name = "<PublishedIterationName>"
   
   # You can find the project ID in the settings of the Custom Vision project in the portal.
   project.id = "<CustomVisionProjectId>"
   
   # Now, you have a trained endpoint that you can use to make a prediction.
   prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
   
   predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
   
   with open(base_image_url + "images/Test/test_image.jpg", "rb") as image_contents:
       results = predictor.classify_image(
           project.id, publish_iteration_name, image_contents.read())
   
   # Display the results.
   for prediction in results.predictions:
       print("\t" + prediction.tag_name +
            ": {0:.2f}%".format(prediction.probability * 100))
   

Ao postar no ponto de extremidade publicado, você obterá um resultado semelhante ao do seguinte exemplo. A probabilidade de cada marca na qual o modelo de Visão Personalizada foi treinado é mostrada, classificadas pela pontuação mais alta. O modelo reconhece apenas os tipos de pássaros que foi treinado para reconhecer. Se você postar uma imagem de um pássaro que o modelo não foi treinado a reconhecer, o modelo fará a previsão de uma das espécies de pássaro em que foi treinado como a espécie do novo pássaro.

American Crow: 99.18%
Common Grackle: 25.34%
Red-tailed Hawk (Dark morph): 4.09%
Mourning Dove: 1.74%
American Robin (Adult): 0.92%
House Sparrow (Female): 0.40%
American Robin (Juvenile): 0.31%
Northern Cardinal (Adult Male): 0.24%
Tufted Titmouse: 0.04%
Blue Jay: 0.04%
House Sparrow (Male): 0.04%
Northern Cardinal (Female): 0.04%
Red-tailed Hawk (Light morph immature): 0.02%
American Goldfinch (Male): 0.02%
House Wren: 0.01%
American Goldfinch (Female): 0.01%

Agora você já sabe como usar o modelo de machine learning criado. Com novos dados para analisar, você pode começar a documentar melhor os hábitos dos pássaros para ajudar a conservar os hábitats e aumentar as populações de pássaros em risco de extinção. Tudo com a ajuda da Visão Personalizada de IA do Azure!