[PYTHON] J'ai essayé "Lobe" qui peut facilement entraîner le modèle d'apprentissage automatique publié par Microsoft.

Microsoft a publié un outil appelé Lobe. Cet outil facilite la création d'un modèle d'apprentissage automatique pour la classification d'images.

Deux modèles, "ResNet-50 V2" et "MobileNet V2", peuvent être utilisés pour la classification des images Lobe. Chaque modèle a ses propres caractéristiques et il est nécessaire de les utiliser correctement en fonction de l'objectif et de l'environnement d'exécution.

Une précision de prédiction élevée peut être obtenue avec ResNet-50 V2, mais le temps de prédiction est plus long et plus de mémoire est utilisée. MobileNetV2 a une vitesse de prédiction rapide et une faible utilisation de la mémoire, mais la précision de la prédiction n'est pas élevée.

Utilisez ResNet-50 V2 lorsqu'une précision élevée est requise dans un environnement avec une certaine puissance de la machine. Je pense que MobileNet V2 sera utilisé pour les smartphones et Raspberry Pi.

Quel que soit le modèle que vous utilisez, vous pouvez mieux vous entraîner avec moins de données en utilisant l'apprentissage par transfert.

Cette fois, j'aimerais écrire une procédure pour apprendre le modèle de classification d'images en utilisant les images chien / chat publiées sur kaggle. ResNet-50 V2 est utilisé comme modèle de base.

Télécharger Lobe

Vous pouvez le télécharger depuis la page officielle ci-dessous Lobe

Préparez les données à utiliser pour l'apprentissage

Cette fois, nous utiliserons les données publiées par kaggle. Dogs vs. Cats

Apprendre le modèle avec Lobe

Lancez Lobe et sélectionnez Nouveau projet.

Définissez le modèle de base avant de commencer l'apprentissage. Sélectionnez [Optimiser pour la précision] dans [Fichier] - [Paramètres du projet]

Cliquez sur Importer en haut à droite et sélectionnez Images.

Tout d'abord, chargez l'image du chat à partir des données d'entraînement téléchargées depuis kaggle.

Attachez l'étiquette à l'image chargée. À ce stade, si vous sélectionnez toutes les images (commande + A pour mac), vous pouvez attacher Lbel à la fois.

Ensuite, lisez l'image du chien de la même manière et attachez une étiquette.

La formation démarre automatiquement lorsque vous chargez deux types d'images.

Après l'entraînement, cliquez sur Lecture pour charger l'image de test en faisant glisser et en déposant pour vérifier le résultat de la prédiction.

Si la prédiction de réponse correcte de l'image chargée est incorrecte, cliquez sur l'emplacement indiqué dans l'image ci-dessous pour corriger l'étiquette et recommencer.

De cette façon, vous pouvez créer très facilement un modèle de classification d'images. Vous pouvez également capturer et utiliser des images à partir d'une caméra Webc au lieu de les importer.

Dans la vidéo officielle ci-dessous, nous prenons plusieurs images avec une caméra Web et créons un modèle qui identifie «Boire» et «Ne pas boire» en fonction d'elles.

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

Dans Lobe, le modèle appris peut être exporté et utilisé dans CoreML et TensorFlow. Consultez l'article ci-dessous pour savoir comment exporter un modèle et l'utiliser en Python. Comment utiliser le modèle appris dans Lobe en Python

J'ai créé une API REST en combinaison avec le service TensorFlow. Créez une API REST à l'aide du modèle appris dans Lobe et TensorFlow Serving.