Exercício – Implementar o modelo e consumir o ponto final

Concluído

Nosso modelo está funcionando em um nível satisfatório, então vamos implantá-lo!

Você tem diferentes opções para implantação. A opção escolhida depende de como você deseja usar seu modelo de aprendizado de máquina. Você pode implantar em um ponto de extremidade ou exportar o modelo para implantar em diferentes plataformas.

Vamos falar de como implementar para o ponto final e consumir o modelo através de uma aplicação.

Implementar para um ponto final

Pode implementar num ponto final ao obter o URL de predição ou ao consumir a API numa aplicação Python.

Obter o URL de predição

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

2. Selecione Publicar.

3. Em Modelo de Publicação, selecione Recurso de previsão e, em seguida, selecione o nome da previsão para o seu projeto de Visão Personalizada. Selecione Publicar.

   

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

4. Selecione a guia URL de previsão.

5. Em Como usar a API de previsão, na caixa de texto em Se você tiver uma URL de imagem, copie e salve o valor e selecione Obteve.

   

Consumir a API numa aplicação Python

Quando o modelo é treinado e executado com precisão satisfatória, o modelo está pronto para você usar em seu aplicativo.

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

   

2. Selecione o nome da previsão para abrir a página Visão geral . Esta página tem links para recursos que podem ajudá-lo a saber mais sobre como chamar a API para obter previsões do modelo.

3. Em Introdução, na seção 3, selecione o link para o Guia de início rápido do Python. O início rápido de classificação de imagem dos serviços de IA do Azure para Python é aberto em seu navegador da Web.

   

   Aqui está um exemplo do código de exemplo para chamar a API de previsão em Python. Para obter o código completo, consulte o início rápido.

   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))
   

Quando você posta no ponto de extremidade publicado, obtém um resultado semelhante ao exemplo a seguir. A probabilidade de cada etiqueta em que o modelo de Visão Personalizada foi preparado é apresentada, ordenada pela pontuação mais elevada. O modelo só reconhece o tipo de pássaros que foi preparado para reconhecer. Se publicar uma imagem de um pássaro que o modelo não foi preparado para reconhecer, o modelo prevê uma das espécies de pássaros 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 tem experiência em usar o modelo de aprendizado de máquina que criou. Com novos dados para analisar, você pode documentar melhor os hábitos das aves para ajudar a conservar o habitat das aves e aumentar as populações de aves ameaçadas. Tudo com a ajuda do Azure AI Custom Vision!