Görüntü etiketleme modeli eğitmek için AutoML Vision Edge'e bir dizi görüntü ve ilgili etiketler sağlarsınız. AutoML Vision Edge, bulutta yeni bir model eğitmek için bu veri kümesini kullanır. Bu modeli, uygulamanızda cihaz üzerinde görüntü etiketleme için kullanabilirsiniz. (Bu özellikle ilgili genel bilgi için Genel Bakış bölümüne bakın.)
AutoML Vision Edge, bir Google Cloud hizmetidir. Hizmetin kullanımı Google Cloud Platform Lisans Sözleşmesi ve Hizmete Özel Şartlar'a tabidir ve buna göre faturalandırılır. Faturalandırma bilgileri için AutoML Fiyatlandırma sayfasına bakın.
erişmeye devam edebilirsiniz.Başlamadan önce
Firebase veya Google Cloud projeniz yoksa Firebase konsolunda proje oluşturun.
Kapsamlı ML kılavuzu - AutoML başlıklı makalede sunulan yönergeleri inceleyin.
AutoML Vision Edge'i yalnızca denemek istiyorsanız ve kendi eğitim verileriniz yoksa aşağıdakilerden biri gibi örnek bir veri kümesi indirin:
- TensorFlow'un resmi çiçek görüntüsü örnek veri kümesi
- Bu Amerikan İşaret Dili (ASL) alfabe veri kümesi
Kaggle'da barındırılan daha fazla veri kümesi bulabilirsiniz.
1. Eğitim verilerinizi bir araya getirme
Öncelikle, etiketli resimlerden oluşan bir eğitim veri kümesi oluşturmanız gerekir. Aşağıdaki kuralları göz önünde bulundurun:
Resimler şu biçimlerden birinde olmalıdır: JPEG, PNG, GIF, BMP, ICO.
Her resim 30 MB veya daha küçük olmalıdır. AutoML Vision Edge'in ön işleme sırasında çoğu görüntüyü aşağı ölçeklendirdiğini unutmayın. Bu nedenle, çok yüksek çözünürlüklü görüntüler sağlamanın genellikle hiçbir doğruluk avantajı yoktur.
Her etiket için en az 10, tercihen 100 veya daha fazla örnek ekleyin.
Her etiket için birden çok açı, çözünürlük ve arka plan ekleyin.
Eğitim verileri, tahminlerin yapılacağı verilere olabildiğince yakın olmalıdır. Örneğin, kullanım alanınız bulanık ve düşük çözünürlüklü görüntüler (güvenlik kamerasından alınan görüntüler gibi) içeriyorsa eğitim verileriniz bulanık, düşük çözünürlüklü görüntülerden oluşmalıdır.
AutoML Vision Edge tarafından oluşturulan modeller, gerçek dünyadaki nesnelerin fotoğrafları için optimize edilmiştir. Röntgenler, el çizimleri, taranmış belgeler, makbuzlar vb. için iyi sonuç vermeyebilir.
Ayrıca modeller genellikle insanların atayamayacağı etiketleri tahmin edemez. Bu nedenle, bir insan resme 1-2 saniye bakarak etiket atayamazsa model de bunu yapmak için eğitilemez.
Eğitim resimleriniz hazır olduğunda bunları Firebase'e aktarmaya hazırlayın. Üç seçeneğiniz vardır:
1. seçenek: Yapılandırılmış zip arşivi
Eğitim resimlerinizi, her biri bir etiketin adıyla adlandırılmış ve bu etiketin örneklerini içeren dizinlerde düzenleyin. Ardından, dizin yapısını bir zip arşivi olarak sıkıştırın.
Bu zip arşivindeki dizin adları en fazla 32 ASCII karakter uzunluğunda olabilir ve yalnızca alfanümerik karakterler ile alt çizgi karakterini (_) içerebilir.
Örneğin:
my_training_data.zip |____accordion | |____001.jpg | |____002.jpg | |____003.jpg |____bass_guitar | |____hofner.gif | |____p-bass.png |____clavier |____well-tempered.jpg |____well-tempered (1).jpg |____well-tempered (2).jpg
2. seçenek: CSV dizini içeren Cloud Storage
Eğitim resimlerinizi Google Cloud Storage adresine yükleyin ve her bir resmin URL'sini ve isteğe bağlı olarak her bir resim için doğru etiketleri listeleyen bir CSV dosyası hazırlayın. Bu seçenek, çok büyük veri kümeleri kullanırken yararlıdır.
Örneğin, resimlerinizi Cloud Storage'e yükleyin ve aşağıdaki gibi bir CSV dosyası hazırlayın:
gs://your-training-data-bucket/001.jpg,accordion gs://your-training-data-bucket/002.jpg,accordion gs://your-training-data-bucket/003.jpg,accordion gs://your-training-data-bucket/hofner.gif,bass_guitar gs://your-training-data-bucket/p-bass.png,bass_guitar gs://your-training-data-bucket/well-tempered.jpg,clavier gs://your-training-data-bucket/well-tempered%20(1).jpg,clavier gs://your-training-data-bucket/well-tempered%20(2).jpg,clavier
Resimler, Firebase projenizin ilgili Google Cloud projesinin bir parçası olan bir pakette depolanmalıdır.
CSV dosyasını hazırlama hakkında daha fazla bilgi için Cloud AutoML Vision dokümanlarında Eğitim verilerinizi hazırlama bölümüne bakın.
3. seçenek: Etiketsiz resimler
Yükledikten sonra eğitim resimlerinizi Firebase konsolunda tek tek veya yapılandırılmamış bir ZIP dosyasında etiketleyin. Sonraki adıma bakın.
2. Modelinizi eğitin
Ardından, resimlerinizi kullanarak bir model eğitin:
Google Cloud konsolunda Görüntü Veri Kümeleri sayfasını açın. İstendiğinde projenizi seçin.
Yeni veri kümesi'ni tıklayın, veri kümesi için bir ad girin, eğitmek istediğiniz model türünü seçin ve Veri kümesi oluştur'u tıklayın.
Veri kümenizin İçe aktarma sekmesinde, eğitim resimlerinizin zip arşivini veya resimleri yüklediğiniz Cloud Storage konumlarını içeren bir CSV dosyası yükleyin. Eğitim verilerinizi bir araya getirme başlıklı makaleyi inceleyin.
İçe aktarma görevi tamamlandıktan sonra, eğitim verilerini doğrulamak ve etiketlenmemiş resimleri etiketlemek için Görüntüler sekmesini kullanın.
Eğit sekmesinde Eğitimi başlat'ı tıklayın.
Modele ad verin ve Edge model türünü seçin.
Oluşturulan modelin performansını yöneten aşağıdaki eğitim ayarlarını yapılandırın:
Model için kullanılacak optimizasyon seçeneği: Kullanılacak model yapılandırması. Düşük gecikmenin veya küçük paket boyutunun önemli olduğu durumlarda daha hızlı, daha küçük modeller, doğruluğun en önemli olduğu durumlarda ise daha yavaş, daha büyük modeller eğitebilirsiniz. Düğüm saati bütçesi Modeli eğitmek için harcanabilecek maksimum işlem saati. Daha uzun eğitim süresi genellikle daha doğru bir modele yol açar.
Sistem, modelin optimize edildiğini ve ek eğitimin doğruluğu artırmayacağını belirlerse eğitimin belirtilen süreden daha kısa sürede tamamlanabileceğini unutmayın. Yalnızca kullanılan saatler için faturalandırılırsınız.
Genel eğitim süreleri Çok küçük kümeler 1 saat 500 resim 2 saat 1.000 resim 3 saat 5.000 resim 6 saat 10.000 resim 7 saat 50.000 resim 11 saat 100.000 resim 13 saat 1.000.000 resim 18 saat
3. Modelinizi değerlendirme
Eğitim tamamlandığında, Değerlendir sekmesini tıklayarak modelin performans metriklerini görebilirsiniz.
Bu sayfanın önemli kullanım alanlarından biri, modeliniz için en iyi sonucu veren güven eşiğini belirlemektir. Güven eşiği, modelin bir görüntüye etiket ataması için gereken minimum güvendir. Güven eşiği kaydırma çubuğunu hareket ettirerek farklı eşiklerin modelin performansını nasıl etkilediğini görebilirsiniz. Model performansı, hassasiyet ve geri çağırma olmak üzere iki metrik kullanılarak ölçülür.
Görüntü sınıflandırma bağlamında hassas, doğru şekilde etiketlenen görüntü sayısının modelin seçilen eşik göz önünde bulundurulduğunda etiketlediği görüntü sayısına oranıdır. Bir model yüksek hassasiyete sahip olduğunda etiketleri daha az sıklıkta (daha az yanlış pozitif) atar.
Hatırlatma, doğru etiketlenmiş resim sayısının, modelin etiketleyebilmesi gereken içerik barındıran resim sayısına oranıdır. Bir model yüksek geri çağırmaya sahip olduğunda herhangi bir etiketi daha seyrek atayamaz (daha az yanlış negatif sonuç).
Doğruluk veya hatırlama için optimize etmeniz, kullanım alanınıza bağlıdır. Daha fazla bilgi için AutoML Vision başlangıç kılavuzuna ve Kapsamlı ML kılavuzu - AutoML başlıklı makaleye göz atın.
Rahat hissettiğiniz metrikler üreten bir güven eşiği bulduğunuzda bunu not edin. Uygulamanızda modeli yapılandırmak için güven eşiğini kullanacaksınız. (Uygun bir eşik değeri almak için bu aracı istediğiniz zaman kullanabilirsiniz.)
4. Modelinizi yayınlama veya indirme
Modelin performansından memnunsanız ve bir uygulamada kullanmak istiyorsanız üç seçeneğiniz vardır. Bu seçeneklerden dilediğinizi kullanabilirsiniz: modeli online tahmin için dağıtın, modeli Firebase'de yayınlayın veya modeli indirip uygulamanızla birlikte paketleyin.
Modeli dağıtma
Veri kümenizin Test ve kullanım sekmesinde, modelinizi bulutta çalıştıran online tahmin için dağıtabilirsiniz. Bu seçenek Cloud AutoML dokümanlarında ele alınmıştır. Bu sitedeki dokümanlar, kalan iki seçenekle ilgilidir.
Modeli yayınlama
Modeli Firebase'de yayınlayarak yeni bir uygulama sürümü yayınlamadan güncelleyebilir ve farklı kullanıcı gruplarına dinamik olarak farklı modeller sunmak için Remote Config ve A/B Testing'ü kullanabilirsiniz.
Modeli uygulamanızla birlikte paketlemek yerine yalnızca Firebase ile barındırarak sunmayı seçerseniz uygulamanızın ilk indirme boyutunu azaltabilirsiniz. Ancak model uygulamanızla birlikte paketlenmezse uygulamanız modeli ilk kez indirene kadar modelle ilgili işlevlerin kullanılamayacağını unutmayın.
Modelinizi yayınlamak için aşağıdaki yöntemlerden birini kullanabilirsiniz:
- TF Lite modelini, veri kümenizin Google Cloud konsolundaki Test et ve kullan sayfasından indirin ve ardından modeli Firebase konsolunun Özel model sayfasına yükleyin. Bu genellikle tek bir model yayınlamanın en kolay yoludur.
- Admin SDK'sını kullanarak modeli doğrudan Google Cloud projenizden Firebase'e yayınlayın. Bu yöntemi, birden fazla modeli toplu olarak yayınlamak veya otomatik yayınlama ardışık düzenleri oluşturmaya yardımcı olmak için kullanabilirsiniz.
Modeli Admin SDK model yönetimi API ile yayınlamak için:
Modeli yayınlayın.
Modelin kaynak tanımlayıcısını belirtmeniz gerekir. Bu tanımlayıcı, aşağıdaki örneğe benzeyen bir dizedir:
projects/PROJECT_NUMBER/locations/us-central1/models/MODEL_ID
PROJECT_NUMBERModeli içeren Cloud Storage paketinin proje numarası. Bu, Firebase projeniz veya başka bir Google Cloud proje olabilir. Bu değeri Firebase konsolunun Ayarlar sayfasında veya Google Cloud konsolunun kontrol panelinde bulabilirsiniz. MODEL_IDAutoML Cloud API'den aldığınız model kimliği. Python
# First, import and initialize the SDK. # Get a reference to the AutoML model source = ml.TFLiteAutoMlSource('projects/{}/locations/us-central1/models/{}'.format( # See above for information on these values. project_number, model_id )) # Create the model object tflite_format = ml.TFLiteFormat(model_source=source) model = ml.Model( display_name="example_model", # This is the name you will use from your app to load the model. tags=["examples"], # Optional tags for easier management. model_format=tflite_format) # Add the model to your Firebase project and publish it new_model = ml.create_model(model) new_model.wait_for_unlocked() ml.publish_model(new_model.model_id)Node.js
// First, import and initialize the SDK. (async () => { // Get a reference to the AutoML model. See above for information on these // values. const automlModel = `projects/${projectNumber}/locations/us-central1/models/${modelId}`; // Create the model object and add the model to your Firebase project. const model = await ml.createModel({ displayName: 'example_model', // This is the name you use from your app to load the model. tags: ['examples'], // Optional tags for easier management. tfliteModel: { automlModel: automlModel }, }); // Wait for the model to be ready. await model.waitForUnlocked(); // Publish the model. await ml.publishModel(model.modelId); process.exit(); })().catch(console.error);
Modeli indirip uygulamanızla paket haline getirme
Modelinizi uygulamanızla birlikte paketleyerek, Firebase'de barındırılan model kullanılamadığında uygulamanızın ML özelliklerinin çalışmaya devam etmesini sağlayabilirsiniz.
Modeli hem yayınlar hem de uygulamanızla birlikte paketlerseniz uygulama, mevcut en son sürümü kullanır.
Modelinizi indirmek için veri kümenizin Test et ve kullan sayfasında TF Lite'ı tıklayın.
Sonraki adımlar
Modeli yayınladığınıza veya indirdiğinize göre iOS+ ve Android uygulamalarınızda modeli nasıl kullanacağınızı öğrenebilirsiniz.