Краткое руководство. Создание детектора объектов с помощью веб-сайта Пользовательское визуальное распознавание
В этом кратком руководстве объясняется, как использовать веб-сайт Пользовательское визуальное распознавание для создания модели детектора объектов. Созданную модель можно протестировать с использованием новых изображений и интегрировать в собственное приложение для распознавания изображений.
Необходимые компоненты
- Подписка Azure. Вы можете создать бесплатную учетную запись.
- Набор изображений для обучения средства обнаружения объектов. Можно использовать набор примеров изображений в GitHub. Кроме того, вы можете выбрать собственные изображения, используя следующие советы.
- Поддерживаемый веб-браузер.
Создание ресурсов Пользовательского визуального распознавания
Чтобы использовать службу Пользовательское визуальное распознавание, необходимо создать Пользовательское визуальное распознавание учебные ресурсы и ресурсы прогнозирования в Azure. В портал Azure используйте страницу "Создание Пользовательское визуальное распознавание" для создания ресурса обучения и ресурса прогнозирования.
Создание нового проекта
В веб-браузере перейдите на веб-сайт Пользовательское визуальное распознавание. Войдите с той же учетной записью, которую вы использовали для входа в портал Azure.
Для создания первого проекта щелкните Новый проект. Откроется диалоговое окно "Создание проекта ".
Введите имя и описание проекта. Затем выберите свой Пользовательское визуальное распознавание учебный ресурс. Если учетная запись входа связана с учетной записью Azure, раскрывающийся список ресурсов отображает все совместимые ресурсы Azure.
Примечание.
Если ресурс недоступен, убедитесь, что вы вошли в customvision.ai с той же учетной записью, что и для входа в портал Azure. Кроме того, убедитесь, что вы выбрали тот же каталог на веб-сайте Пользовательское визуальное распознавание, что и каталог в портал Azure, где находятся ресурсы Пользовательское визуальное распознавание. На обоих сайтах можно выбрать каталог в раскрывающемся меню учетной записи в правом верхнем углу экрана.
В разделе "Типы проектов" выберите "Обнаружение объектов".
Выберите один из доступных доменов. Каждый домен оптимизирует средство обнаружения для определенных типов изображений, как описано в следующей таблице. Вы можете изменить домен позже, если вы хотите.
Домен Характер использования Общие сведения Рассчитан на самые разные задачи обнаружения объектов. Если не подходит ни один из других доменов или вы не уверены, какой домен выбрать, выбирайте General. Логотип Оптимизировано для поиска марочных логотипов в изображениях. Продукты на полках Оптимизировано для обнаружения и классификации продуктов на полках. Домены Compact Оптимизированы для ограничений обнаружения объектов в режиме реального времени на мобильных устройствах. Модели, созданные доменами Compact, можно экспортировать для локального запуска. И наконец, щелкните Create project (Создать проект).
Выбор обучающих изображений
Как минимум, следует использовать не менее 30 изображений на тег в начальном наборе обучения. Вы также должны собрать несколько дополнительных изображений, чтобы протестировать модель после обучения.
Чтобы обучение модели было эффективным, используйте разнообразные изображения. Изображения должны отличаться по следующим аспектам:
- угол обзора камеры;
- освещение;
- background
- стиль изображения;
- отдельные объекты и группы;
- size
- type
Также убедитесь, что все обучающие изображения соответствуют следующим критериям:
- должен быть .jpg, .png, .bmp или форматом .gif
- размер не превышает 6 МБ (4 МБ для изображений прогнозирования)
- не менее 256 пикселей на самом коротком крае; все изображения, короче 256 пикселей, автоматически масштабируются службой Пользовательское визуальное распознавание
Отправка и снабжение тегами изображений
В этом разделе вы отправляете и вручную помечаете изображения для обучения детектора.
Чтобы добавить изображения, последовательно выберите элементы Add images (Добавить изображения) и Browse local files (Обзор локальных файлов). Выберите Открыть, чтобы загрузить изображение.
Вы увидите свои переданные изображения в разделе Без тегов. Следующий этап — вручную отметить объекты, которые вы хотите, чтобы средство обнаружения научилось распознавать. Выберите первое изображение, чтобы открыть диалоговое окно присвоения тегов.
Выделите и перетащите прямоугольник вокруг объекта в изображении. Затем введите новое имя тега с помощью кнопки + или выберите существующий тег из раскрывающегося списка. Важно отметить каждый экземпляр объектов, которые вы хотите обнаружить, так как детектор использует неуправляемую фоновую область в качестве отрицательного примера в обучении. После добавления тегов щелкните стрелку справа, чтобы сохранить теги и перейти к следующему изображению.
Чтобы отправить новый набор изображений, прокрутите страницу наверх и повторите все шаги.
Обучение средства обнаружения
Для обучения модели средства обнаружения нажмите кнопку Train (Обучение). Средство обнаружения использует все текущие изображения и их теги для создания модели, которая идентифицирует каждый помеченный объект. Этот процесс может занять несколько минут.
Процесс обучения обычно занимает пару минут. В течение этого времени информация о процессе обучения отображается на вкладке Performance (Производительность).
анализ средств обнаружения;
После завершения обучения производительность модели вычисляется и отображается. Служба Пользовательского визуального распознавания использует изображения, которые вы отправили для обучения, для расчета точности, отзыва и средней точности. Точность и полнота — это разные характеристики эффективности средства обнаружения.
- Точность обозначает долю правильно определенных классов. Например, если модель определила наличие собак на 100 изображениях, из которых на 99 действительно есть собаки, точность этой модели составляет 99 %.
- Полнота обозначает долю правильно определенных фактических классов. Например, если в наборе присутствует 100 изображений яблок, из которых модель правильно определила 80, полнота этой модели составляет 80 %.
- Усредненная точность — среднее значение средней точности (AP). AP — это область под кривой точности и отзыва (точность, выложенная на основе отзывов для каждого прогноза).
Порог вероятности
Обратите внимание на ползунок порогового значения вероятности на левой панели вкладки "Производительность ". Это уровень уверенности, что прогноз должен иметь для того, чтобы считаться правильным (в целях вычисления точности и отзыва).
Когда вы интерпретируете вызовы прогнозирования с высоким порогом вероятности, они обычно возвращают результаты с высокой точностью, обеспеченной за счет отзыва, — обнаруженные классификации верны, но многие из них не удается обнаружить. С низким порогом вероятности ситуация противоположная — обнаруживается большинство фактических классификаций, но в наборе больше ложных срабатываний. Учитывайте это при настройке порога вероятности в соответствии с потребностями для конкретного проекта. Позже, когда вы получите результаты прогнозирования на стороне клиента, вам нужно будет задать используемое здесь значение порога вероятности.
Порог перекрытия
Ползунок "Перекрытие порогового значения" определяет правильность прогнозирования объектов в обучении. Этот ползунок позволяет установить минимальное допустимое перекрытие между ограничивающим прямоугольником прогнозируемого объекта и фактическим ограничивающим прямоугольником, который указал пользователь. Если ограничивающие поля не перекрываются на эту степень, прогноз не считается правильным.
Управление итерациями обучения
При каждом обучении средства обнаружения создается новая итерация с обновленными метриками производительности. Все итерации можно просмотреть на левой панели вкладки "Производительность ". В левой области вы также найдете кнопку "Удалить ", которую можно использовать для удаления итерации, если она устарела. При удалении итерации удаляются только связанные с ней изображения.
Сведения о программном доступе к обученным моделям см. в статье "Использование модели с API прогнозирования".
Следующий шаг
В этом кратком руководстве объясняется, как создать и обучить модель средства обнаружения на веб-сайте Пользовательского визуального распознавания. См. дополнительные сведения об итеративном процессе улучшения модели.
Общие сведения см. в разделе "Что такое Пользовательское визуальное распознавание?"