[PYTHON] Ich habe "Lobe" ausprobiert, mit dem das von Microsoft veröffentlichte Modell des maschinellen Lernens problemlos trainiert werden kann.

Microsoft hat ein Tool namens Lobe veröffentlicht. Mit diesem Tool ist es sehr einfach, ein Modell für maschinelles Lernen zur Bildklassifizierung zu erstellen.

Zwei Modelle, "ResNet-50 V2" und "MobileNet V2", können für die Lobe-Bildklassifizierung verwendet werden. Jedes Modell hat seine eigenen Eigenschaften, und es ist erforderlich, diese je nach Zweck und Ausführungsumgebung ordnungsgemäß zu verwenden.

Mit ResNet-50 V2 kann eine hohe Vorhersagegenauigkeit erreicht werden, die Vorhersagezeit ist jedoch länger und es wird mehr Speicher verwendet. MobileNetV2 hat eine schnelle Vorhersagegeschwindigkeit und eine geringe Speichernutzung, aber die Vorhersagegenauigkeit ist nicht hoch.

Verwenden Sie ResNet-50 V2, wenn in einer Umgebung mit einer bestimmten Maschinenleistung eine hohe Genauigkeit erforderlich ist. Ich denke, dass MobileNet V2 für Smartphones und Raspberry Pi verwendet wird.

Unabhängig davon, welches Modell Sie verwenden, können Sie mithilfe von Transferlernen mit weniger Daten besser trainieren.

Dieses Mal möchte ich eine Prozedur schreiben, um das Bildklassifizierungsmodell unter Verwendung der auf kaggle veröffentlichten Hunde- / Katzenbilder zu lernen. Als Basismodell wird ResNet-50 V2 verwendet.

Laden Sie Lobe herunter

Sie können es von der offiziellen Seite unten herunterladen Lobe

Bereiten Sie die Daten vor, die zum Lernen verwendet werden sollen

Dieses Mal werden wir die von kaggle veröffentlichten Daten verwenden. Dogs vs. Cats

Lerne Modell mit Lobe

Starten Sie Lobe und wählen Sie Neues Projekt.

Stellen Sie das Basismodell ein, bevor Sie mit dem Lernen beginnen. Wählen Sie [Für Genauigkeit optimieren] unter [Datei] - [Projekteinstellungen].

Klicken Sie oben rechts auf Importieren und wählen Sie Bilder.

Laden Sie zuerst das Katzenbild aus den von kaggle heruntergeladenen Trainingsdaten.

Fügen Sie dem geladenen Bild ein Etikett hinzu. Wenn Sie zu diesem Zeitpunkt alle Bilder auswählen (Befehl + A für Mac), können Sie Lbel sofort anhängen.

Lesen Sie als nächstes das Hundebild auf die gleiche Weise und bringen Sie ein Etikett an.

Das Training beginnt automatisch, wenn Sie zwei Arten von Bildern laden.

Klicken Sie nach dem Training auf Wiedergabe, um das Testbild durch Ziehen und Ablegen zu laden und das Vorhersageergebnis zu überprüfen.

Wenn die korrekte Antwortvorhersage des geladenen Bildes falsch ist, klicken Sie auf die im Bild unten gezeigte Position, um das Etikett zu korrigieren und erneut zu trainieren.

Auf diese Weise können Sie sehr einfach ein Modell für die Bildklassifizierung erstellen. Sie können auch Bilder von einer Webc-Kamera aufnehmen und verwenden, anstatt sie zu importieren.

Im folgenden offiziellen Video nehmen wir mehrere Bilder mit einer Webkamera auf und erstellen ein Modell, das basierend darauf "Trinken" und "Nicht trinken" identifiziert.

Introducing Lobe | Build your first machine learning model in ten minutes.

In Lobe kann das gelernte Modell exportiert und in CoreML und TensorFlow verwendet werden. Im folgenden Artikel erfahren Sie, wie Sie ein Modell exportieren und in Python verwenden. Verwendung des in Lobe in Python erlernten Modells

Ich habe eine REST-API in Kombination mit TensorFlow Serving erstellt. Erstellen Sie eine REST-API mit dem in Lobe und TensorFlow Serving erlernten Modell.