Treinar seu modelo com ML.NET

No estágio anterior deste tutorial, discutimos os pré-requisitos da criação de seu próprio modelo e aplicativo do Windows Machine Learning e baixamos um conjunto de imagens a ser usado. Neste estágio, aprenderemos a usar o construtor de modelos ML.NET para transformar nosso conjunto de imagens em um modelo de classificação de imagem.

Criar seu projeto

1. Abra o Visual Studio e escolha "criar um novo projeto".

2. Na barra de pesquisa, digite .NET, selecione C# como seu idioma e console como sua plataforma e escolha o modelo de projeto do C# Console App (.NET Core).

3. Na janela de configuração:

• Nomeie o projeto. Aqui, chamamos de MLNETTraining.
• Escolha o local do projeto.
• Verifique se Place solution and project in the same directory está desmarcado.
• Pressione create para criar o projeto.

Configurar o Construtor de Modelos

Agora, você adicionará o Construtor de Modelos ao nosso projeto.

1. Clique com o botão direito do mouse no projeto MLNETTraining no Gerenciador de Soluções e selecione Add > Machine Learning.

Dessa forma, você abre ML.NET Construtor de Modelos em uma nova janela de ferramentas encaixada no Visual Studio. O Construtor de Modelos orientará você durante o processo de criação de um modelo de machine learning.

A primeira etapa é escolher o cenário relevante. Nem todos os cenários dão suporte ao formato ONNX.

Se o ambiente de treinamento for a nuvem do Azure, os modelos gerados estarão no formato ONNX e poderão ser facilmente consumidos pelo aplicativo Windows ML sem conversão. No entanto, se você decidir treinar seu modelo de machine learning localmente em seu computador, o modelo gerado estará em ML.NET formato.

• Há suporte para treinamento de CPU local para todos os cenários, exceto detecção de objetos.
• Há suporte para treinamento de GPU local para Classificação de Imagens.
• Há suporte para treinamento do Azure para Classificação de Imagens e Detecção de Objetos.

Neste tutorial, você treinará o modelo de classificação de imagens no ambiente de treinamento do Azure. O modelo de saída estará no formato ONNX. A conta do Azure é necessária para concluir o treinamento.

2. Escolha o cenário de classificação de imagem.

3. Selecione Configurar workspace para configurar seu ambiente de treinamento do Azure.

No canto superior direito, entre na conta associada à sua assinatura do Azure. No menu abaixo:

• Escolha a assinatura relevante.
• Selecione e crie um novo Workspace do Machine Learning.
• Selecione ou crie um novo recurso de computação.
• Dê o nome ao seu workspace – ImageClassificationMLNET.

Em sua conta do Azure, selecione Criar um recurso:

Na barra de pesquisa, procure um Machine Learning.

Pressione Criar para criar um novo workspace do Machine Learning.

Para criar um novo workspace, você precisará fornecer o nome da assinatura, selecionar ou criar um novo grupo de recursos, dar um nome ao workspace e definir todos os parâmetros necessários, como região, conta de armazenamento etc.

Depois de estabelecer seu workspace e criar um novo ambiente de treinamento no ML.NET, você poderá passar para a próxima etapa.

Aguarde até que a implantação dos Serviços de Machine Learning seja concluída.

A próxima etapa é adicionar os dados ao Construtor de Modelos.

4. Navegue até o local do conjunto de dados de imagem e selecione a pasta de treinamento com as categorias de alimentos relevantes. Neste tutorial, você treinará o modelo para reconhecer deserto, sopa e frutas, portanto, você precisa apenas dessas categorias em nossa pasta de conjunto de dados.

Agora, você está pronto para ir para a parte de treinamento!

Treinar seu modelo

O Construtor de Modelos avalia muitos modelos com algoritmos e configurações variáveis para fornecer o modelo de melhor desempenho.

1. Selecione o próximo e, em seguida, inicie o treinamento para iniciar o processo de treinamento. O construtor de modelos ML.Net começará carregando dados no Azure, preparando o workspace e iniciando o processo de treinamento.

Depois que o treinamento for concluído, você verá um resumo dos resultados do treinamento.

Melhor precisão – mostra a precisão do melhor modelo encontrado pelo Construtor de Modelos. Maior precisão significa que o modelo previu mais corretamente nos dados de teste. Em nosso caso, o modelo pode prever o resultado correto com 95,42% de confiança.

Avaliar os resultados

1. Mova a próxima etapa para avaliar os resultados do treinamento.

2. Selecione a imagem na pasta de avaliação do conjunto de dados e explore a previsão.

Adicionar o modelo à solução

ML.NET Construtor de Modelos pode adicionar automaticamente o modelo de machine learning e os projetos para treinar e consumir o modelo à sua solução.

1. Navegue até a parte de consumo do processo de treinamento e venda Adicionar à solução. Isso adicionará o modelo gerado à pasta da solução.

No Gerenciador de Soluções, você deverá ver os arquivos de código que foram gerados pelo Construtor de Modelos, incluindo o modelo – bestModel.onnx no formato ONNX.

O modelo treinado no ambiente de nuvem do Azure, portanto, o modelo gerado está no formato ONNX.

Explorar seu modelo

1. Clique com o botão direito do mouse no bestModel.onnx e selecione Abrir Pasta Contendo.

2. Abra o arquivo de modelo com o programa Netron.

3. Pressione o nó "input1" para abrir as propriedades do modelo.

Como você pode ver, o modelo requer um objeto tensor flutuante de 32 bits (matriz multidimensional) como uma entrada e retorna o Tensor float como uma saída. Da forma como o modelo foi criado, ele não retorna o valor da cadeia de caracteres de um rótulo previsto, mas uma matriz de três números, cada um representa o rótulo relevante do tipo alimentar. Você precisará extrair esses valores para mostrar a previsão correta com o aplicativo Windows ML.

Próximas etapas

Agora que você treinou seu modelo de Machine Learning, está pronto para implantá-lo em um aplicativo UWP com o Windows Machine Learning