Klasyfikacja obrazów przy użyciu ML.NET i usługi Windows Machine Learning

W tym przewodniku przedstawiono sposób trenowania modelu sieci neuronowej w celu klasyfikowania obrazów żywności przy użyciu narzędzia ML.NET Model Builder, eksportowania modelu do formatu ONNX i wdrażania modelu w aplikacji windows Machine Learning działającej lokalnie na urządzeniu z systemem Windows. Nie jest wymagana żadna poprzednia wiedza na temat uczenia maszynowego i przeprowadzimy Cię krok po kroku przez proces.

Jeśli chcesz dowiedzieć się, jak skompilować i wytrenować model za pomocą narzędzia ML.NET Model Builder, możesz przejść do sekcji Trenowanie modelu.

Jeśli masz model i chcesz dowiedzieć się, jak utworzyć aplikację WinML od podstaw, przejdź do kompletnego samouczka aplikacji WinML.

Jeśli chcesz uzyskać wstępnie zdefiniowane rozwiązanie dla aplikacji WinML, możesz sklonować plik rozwiązania i przetestować go od razu.

Scenariusz

W tym samouczku utworzymy aplikację klasyfikującą żywność z wykorzystaniem uczenia maszynowego, działającą na urządzeniach z systemem Windows. Model będzie trenowany do rozpoznawania określonych wzorców, aby sklasyfikować obraz żywności, a po otrzymaniu obrazu zwróci tag klasyfikacji oraz związaną z nim wartość procentową pewności tej klasyfikacji.

Wymagania wstępne dotyczące trenowania modelu

Aby skompilować i wytrenować model, użyjesz ML.NET Model Buider w programie Visual Studio.

• Do korzystania z narzędzia ML.NET Model Builder będzie potrzebny program Visual Studio 2019 16.6.1 lub nowszy. Program Visual Studio można uzyskać tutaj.
• Do wytrenowania modelu za pomocą narzędzia ML.NET Model Builder w obszarze roboczym usługi Azure ML będzie potrzebne konto platformy Azure. Jeśli dopiero zaczynasz korzystać z platformy Azure, możesz utworzyć bezpłatne konto platformy Azure.

ML.NET Model Builder to intuicyjne graficzne rozszerzenie programu Visual Studio służące do kompilowania, trenowania i wdrażania niestandardowych modeli uczenia maszynowego. Używa zautomatyzowanego uczenia maszynowego (AutoML) do eksplorowania różnych algorytmów i ustawień uczenia maszynowego, aby ułatwić znalezienie tego, który najlepiej pasuje do danego scenariusza.

program ML.NET Model Builder jest dostarczany z programem Visual Studio w wersji 16.6.1 lub nowszej podczas instalowania jednego z obciążeń platformy .NET. Upewnij się, że składnik ML.NET Model Builder został zaewidencjonowany w instalatorze podczas pobierania lub modyfikowania programu Visual Studio. Aby sprawdzić, czy program VS ma składniki ML.NET Model Builder, przejdź do pozycji Rozszerzenia i wybierz pozycję Zarządzaj rozszerzeniami. Wpisz Model Builder na pasku wyszukiwania, aby przejrzeć wyniki rozszerzenia.

ML.NET Model Builder jest obecnie funkcją w wersji zapoznawczej. Aby korzystać z narzędzia, w programie Visual Studio należy przejść do Narzędzia > Opcje > Środowisko > Funkcje w wersji zapoznawczej i włączyć ML.NET Model Builder:

Wymagania wstępne dotyczące wdrażania aplikacji windows ML

Aby utworzyć i wdrożyć aplikację Windows ML, potrzebujesz następujących elementów:

• System Windows 10 w wersji 1809 (kompilacja 17763) lub nowszy. Numer wersji kompilacji można sprawdzić, uruchamiając polecenie winver Uruchom (Windows logo key + R).
• Zestaw Windows SDK dla kompilacji 17763 lub nowszej. Zestaw SDK można uzyskać tutaj.
• Program Visual Studio 2019 w wersji 16.6.1 lub nowszej. Program Visual Studio można uzyskać tutaj.
• Rozszerzenie Visual Studio - Windows ML Code Generator (mlgen). Pobierz VS 2019.
• Jeśli zdecydujesz się utworzyć aplikację UWP, musisz włączyć pakiet narzędzi do programowania na platformie Uniwersalnych aplikacji Windows w programie Visual Studio.
• Należy również włączyć tryb dewelopera na komputerze

Przygotowywanie danych

Modele uczenia maszynowego muszą być trenowane przy użyciu istniejących danych. W tym przewodniku użyjesz zestawu danych obrazów żywności z witryny Kaggle Open Datasets. Ten zestaw danych jest dystrybuowany w ramach licencji domeny publicznej.

Zestaw danych ma trzy podziały — oceny, szkolenia i walidacji — i zawiera 16643 obrazy żywności pogrupowane w 11 głównych kategoriach żywności. Obrazy w zestawie danych każdej kategorii żywności są umieszczane w osobnym folderze, co sprawia, że proces trenowania modelu jest wygodniejszy.

Pobierz zestaw danych tutaj. Należy pamiętać, że zestaw danych ma rozmiar około 1 GB i może zostać wyświetlony monit o utworzenie konta w witrynie internetowej Kaggle w celu pobrania danych.

Jeśli chcesz, możesz swobodnie użyć jakiegokolwiek innego zbioru danych dotyczących odpowiednich obrazów. Zalecamy co najmniej użycie co najmniej 30 obrazów na tag w początkowym zestawie treningowym. Warto również zebrać kilka dodatkowych obrazów, aby przetestować model po tym, jak zostanie wytrenujesz.

Ponadto upewnij się, że wszystkie obrazy szkoleniowe spełniają następujące kryteria:

• format .jpg, .png, .bmplub .gif.
• rozmiar nie większy niż 6 MB (4 MB dla obrazów do przewidywania).
• nie mniej niż 256 pikseli na najkrótszej krawędzi; wszystkie obrazy krótsze niż te zostaną automatycznie skalowane w górę przez usługę Custom Vision Service.

Dalsze kroki

Teraz, gdy masz już uporządkowane wymagania wstępne i przygotowany zestaw danych, możesz przystąpić do tworzenia modelu WinML. W następnej części użyjesz narzędzia ML.NET Model Builder do utworzenia i wytrenowania modelu klasyfikacji.