使用 AutoML Vision Edge 訓練圖片標籤模型

如要訓練圖片標籤模型，您必須向 AutoML Vision Edge 提供一組圖片和相應的標籤。AutoML Vision Edge 會在雲端使用這個資料集訓練新模型，方便您在應用程式中為圖片加上標籤 (如需這項功能的一般資訊，請參閱總覽)。

AutoML Vision Edge 是 Google Cloud 服務。使用這項服務時，須遵守《Google Cloud Platform 授權協議》和《服務專屬條款》，並依據相關規定付費。如需帳單資訊，請參閱 AutoML 定價頁面。

事前準備

1. 彙整訓練資料

首先，您需要將標記圖片組合成訓練資料集。請留意下列準則：

  • 圖片必須使用下列其中一種格式：JPEG、PNG、GIF、BMP、ICO。

  • 每張圖片的大小不得超過 30 MB。請注意，AutoML Vision Edge 會在預先處理期間縮減大部分的圖片，因此一般來說，提供超高解析度圖片將不提高準確性。

  • 每個標籤至少加入 10 個 (最好有 100 個以上範例)。

  • 為每個標籤提供多個角度、解析度和背景。

  • 訓練資料應儘可能貼近要用來進行預測的資料。舉例來說，如果用途包含模糊和低解析度的圖片 (例如監視攝影機拍攝的圖片)，則訓練資料也應包含模糊和低解析度的圖片。

  • AutoML Vision Edge 產生的模型經過最佳化，可用於拍攝真實物件的相片。但可能無法處理 X 光片、手繪圖、掃描文件、收據等。

    此外，模型通常無法預測人類無法指派的標籤。因此，如果無法訓練人類在觀看圖片 1-2 秒後指派標籤，則可能也無法訓練模型這麼做。

準備好訓練圖片後，請將圖片匯入 Firebase。三個選項如下：

方法 1：結構化 ZIP 壓縮檔

將訓練圖片分類至目錄，每個目錄以標籤命名，並包含該標籤的圖片示例。接著，將目錄結構壓縮為 ZIP 封存檔。

這個 ZIP 封存檔中的目錄名稱長度上限為 32 個 ASCII 字元，且只能包含英數字元和底線字元 (_)。

例如：

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

做法 2：Cloud Storage 搭配 CSV 索引

將訓練圖片上傳至 Google Cloud Storage，並備妥列出每張圖片網址的 CSV 檔案，並選擇是否要為每張圖片加上正確標籤。使用龐大資料集時，這個選項會很實用。

舉例來說，您可以將圖片上傳至 Cloud Storage，並準備以下格式的 CSV 檔案：

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

圖片必須儲存在 Firebase 專案對應 Google Cloud 專案的值區中。

如要進一步瞭解如何準備 CSV 檔案，請參閱 Cloud AutoML Vision 說明文件中的「準備訓練資料」。

選項 3：未標示的圖片

上傳訓練圖片後，請在 Firebase 主控台中標示圖片，可以個別標示或將圖片壓縮為非結構化 ZIP 檔案。請參閱下一個步驟。

2. 訓練模型

接著，請使用圖片訓練模型：

  1. 在 Google Cloud 控制台中開啟「Vision Datasets」頁面。系統出現提示時，請選取您的專案。

  2. 按一下「新資料集」，為資料集提供名稱，選取要訓練的模型類型，然後按一下「建立資料集」。

  3. 在資料集的「Import」分頁中，上傳訓練圖片的 ZIP 壓縮檔案，或是包含上傳位置的 Cloud Storage CSV 檔案。請參閱「組合訓練資料」。

  4. 匯入工作完成後，請使用「Images」分頁驗證訓練資料，並為任何未加上標籤的圖片加上標籤。

  5. 在「Train」分頁中，按一下「Start training」。

    1. 為模型命名，並選取「Edge」模型類型。

    2. 設定下列訓練設定，這些設定會控管產生的模型效能：

      針對下列項目最佳化模型... 要使用的模型設定。如果您重視低延遲或小型套件，可以訓練速度較快、體積較小的模型；如果您最重視準確度，則可以訓練速度較慢、體積較大的模型。
      節點時數預算

      訓練模型的最大時間 (以運算小時為單位)。訓練時間越長，模型通常就會越準確。

      請注意，如果系統判定模型已達到最佳化，且額外訓練無法提高準確度，訓練可能會在指定時間內完成。您只需要為實際使用的時數付費。

      一般訓練時間
      極小組合1 小時
      500 張圖片2 小時
      1,000 張圖片3 小時
      5,000 張圖片6 小時
      10,000 張圖片7 小時
      50,000 張圖片11 小時
      100,000 張圖片13 小時
      1,000,000 張圖片18 小時

3. 評估模型

訓練完成後，您可以按一下 [評估] 分頁標籤，查看模型的效能指標。

這個頁面的重要用途之一，就是判斷最適合模型的可信度門檻。可信度門檻是指模型為圖片指派標籤時必須達到的信賴水準。您可以移動可信度門檻滑桿，瞭解不同門檻值對模型成效的影響。模型效能會透過兩個指標進行評估：精確度和喚回率。

在圖像分類的情況下，準確率是指在指定門檻下，模型標記正確的圖片數量與模型標記的圖片數量之間的比例。模型的精確度越高，錯誤指派標籤的機率就越低 (偽陽性情形較少)。

喚回率是正確標記圖片數量與模型應能標記的圖片數量比率。當模型的喚回率偏高時，無法指派任何標籤的情況就會減少 (偽陰性情形較少)。

您要根據精確度還是喚回率進行最佳化，取決於用途。詳情請參閱 AutoML Vision 新手指南和包容性機器學習指南 - AutoML。

當您發現可信度門檻會產生合適的指標時，請記下這個情況；您將使用可信度門檻在應用程式中設定模型 (您可以隨時使用這項工具取得適當的門檻值)。

4. 發布或下載模型

如果您滿意模型的效能，且想在應用程式中使用模型，有三個選項可供選擇：部署模型以進行線上預測、將模型發布至 Firebase，或是下載模型並與應用程式捆綁。

部署模型

您可以在資料集的「Test & use」分頁中，部署用於線上預測的模型，在雲端執行模型。這個選項在 Cloud AutoML 說明文件中介紹。本網站上的文件會說明其餘兩個選項。

發布模型

將模型發布至 Firebase 後，您就能在不發布新版應用程式的情況下更新模型，並使用 Remote Config 和 A/B Testing，為不同使用者群組動態提供不同的模型。

如果您選擇只以 Firebase 託管模型，而不將其整合至應用程式，可以縮減應用程式的初始下載大小。不過請注意，如果模型未隨附於您的應用程式，在首次下載應用程式之前，您將無法使用任何模型相關功能。

如要發布模型，您可以使用下列任一方法：

  • 在 Google Cloud 控制台的資料集「Test & use」頁面中下載 TF Lite 模型，然後在 Firebase 控制台的「Custom model」頁面上傳模型。這通常是發布單一模型最簡單的方法。
  • 使用 Admin SDK，直接從 Google Cloud 專案將模型發布至 Firebase。您可以使用這個方法批次發布多個模型，或協助建立自動發布管道。

如要使用 Admin SDK 模型管理 API 發布模型，請按照下列步驟操作：

  1. 安裝並初始化 SDK。

  2. 發布模型。

    您必須指定模型的資源 ID，這是一串字串，如下例所示：

    projects/PROJECT_NUMBER/locations/us-central1/models/MODEL_ID
    PROJECT_NUMBER 包含模型的 Cloud Storage 值區專案編號。這可能是您的 Firebase 專案或其他 Google Cloud 專案。您可以在 Firebase 主控台的「設定」頁面或 Google Cloud 主控台資訊主頁中找到這個值。
    MODEL_ID 您從 AutoML Cloud API 取得的模型 ID。

    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);

下載模型並與應用程式搭配使用

透過將模型與應用程式結合，即使 Firebase 託管的模型無法使用，您應用程式的機器學習功能仍可正常運作。

如果您同時發布模型並將其與應用程式捆綁，應用程式會使用可用的最新版本。

如要下載模型，請在資料集的「Test & use」頁面中，點選「TF Lite」。

後續步驟

現在您已經發布或下載模型，接下來請瞭解如何在 iOS+ 和 Android 應用程式中使用模型。