Inhalt

• Vorbereiten Ihres Datensatzes
• Fordern Sie Ihre kostenlose Testversion von Google Cloud Platform an
• Erstellen Sie ein neues GCP-Projekt
• Aktivieren Sie die Cloud AutoML- und Speicher-APIs
• Erstellen Sie einen Cloud-Speicher-Bucket
• Zeit zum Trainieren: Erstellen Sie Ihren Datensatz
• Trainieren Sie Ihr maschinelles Lernmodell
• Wie genau ist Ihr Modell?
• Stellen Sie Ihr Modell auf die Probe!
• Einpacken

Maschinelles Lernen (ML) ist das Sci-Fi-Konzept, mit dem Computer sich selbst beibringen. In ML geben Sie einige Daten ein, die den Inhaltstyp darstellen, den das maschinelle Lernmodell automatisch verarbeiten soll, und das Modell lernt sich dann anhand dieser Daten.

Maschinelles Lernen ist zwar topaktuell, hat aber auch eine enorm Zutrittsschranke. Wenn Sie eine Art von ML verwenden möchten, müssen Sie in der Regel einen Experten für maschinelles Lernen oder einen Datenwissenschaftler einstellen. Beide Berufe sind derzeit sehr gefragt!

Googles Cloud AutoML Vision ist ein neuer Dienst für maschinelles Lernen, der darauf abzielt, ML für die breite Masse zugänglich zu machen, indem es ermöglicht wird, ein Modell für maschinelles Lernen zu erstellen, selbst wenn Sie keine Erfahrung mit ML haben. Mit Cloud AutoML Vision können Sie ein Bilderkennungsmodell erstellen, mit dem Inhalte und Muster in Fotos identifiziert werden können, und dieses Modell dann verwenden, um nachfolgende Bilder automatisch zu verarbeiten.

Diese Art der visuellen ML kann auf viele verschiedene Arten verwendet werden. Möchten Sie eine App erstellen, die Informationen zu einem Orientierungspunkt, Produkt oder Barcode enthält, auf den der Benutzer sein Smartphone richtet? Oder möchten Sie ein leistungsstarkes Suchsystem erstellen, mit dem Benutzer Tausende von Produkten nach Faktoren wie Material, Farbe oder Stil filtern können? Zunehmend ist maschinelles Lernen eine der effektivsten Möglichkeiten, diese Art von Funktionalität bereitzustellen.

Obwohl es sich noch in der Beta-Phase befindet, können Sie mit Cloud AutoML Vision bereits benutzerdefinierte Modelle für maschinelles Lernen erstellen, mit denen Muster und Inhalte in Fotos identifiziert werden. Wenn Sie erfahren möchten, worum es beim maschinellen Lernen geht, zeigen wir Ihnen in diesem Artikel, wie Sie Ihr eigenes Bilderkennungsmodell erstellen und dann neue Fotos automatisch verarbeiten.

Vorbereiten Ihres Datensatzes

Bei der Arbeit mit Cloud AutoML werden beschriftete Fotos als Datasets verwendet. Sie können beliebige Fotos oder Beschriftungen verwenden. Damit dieses Tutorial übersichtlich bleibt, erstelle ich ein einfaches Modell, mit dem Sie zwischen Fotos von Hunden und Fotos von Katzen unterscheiden können.

Was auch immer die Besonderheiten Ihres Modells sind, der erste Schritt ist die Beschaffung einiger geeigneter Fotos!

Für Cloud AutoML Vision sind mindestens 10 Bilder pro Etikett oder 50 für fortgeschrittene Modelle erforderlich, z. B. Modelle, bei denen es sich um mehrere Etiketten pro Bild handelt. Je mehr Daten Sie jedoch bereitstellen, desto höher ist die Wahrscheinlichkeit, dass das Modell nachfolgende Inhalte korrekt identifiziert. In den AutoML Vision-Dokumenten wird daher die Verwendung empfohlen wenigstens 100 Beispiele pro Modell. Sie sollten auch ungefähr die gleiche Anzahl von Beispielen pro Etikett angeben, da eine ungerechte Verteilung das Modell dazu veranlasst, eine Tendenz zur „beliebtesten“ Kategorie zu zeigen.

Um die besten Ergebnisse zu erzielen, sollten Ihre Trainingsbilder die Vielfalt der Bilder widerspiegeln, auf die dieses Modell stoßen wird. Möglicherweise müssen Sie Bilder einbeziehen, die in verschiedenen Winkeln, mit höherer und niedrigerer Auflösung und mit unterschiedlichem Hintergrund aufgenommen wurden. AutoML Vision akzeptiert Bilder in den folgenden Formaten: JPEG, PNG, WEBP, GIF, BMP, TIFF und ICO mit einer maximalen Dateigröße von 30 MB.

Da wir nur mit dem Cloud AutoML Vision-Dienst experimentieren, möchten Sie wahrscheinlich so schnell und einfach wie möglich einen Datensatz erstellen. Zur Vereinfachung lade ich eine Reihe kostenloser Fotos von Hunden und Katzen von Pexels herunter und speichere die Katzen- und Hundefotos dann in separaten Ordnern, da dies das spätere Hochladen dieser Fotos erleichtert.

Beachten Sie, dass Sie beim Erstellen von Datensätzen zur Verwendung in der Produktion die verantwortungsvollen AI-Praktiken berücksichtigen sollten, um eine nachteilige Behandlung zu vermeiden. Weitere Informationen zu diesem Thema finden Sie in den Dokumenten zum Inclusive ML-Leitfaden von Google und zu Responsible AI Practices.

Es gibt drei Möglichkeiten, Ihre Daten in AutoMl Vision hochzuladen:

• Laden Sie die bereits sortierten Bilder in Ordner hoch, die Ihren Etiketten entsprechen.
• Importieren Sie eine CSV-Datei, die die Bilder sowie die zugehörigen Kategoriebeschriftungen enthält. Sie können diese Fotos entweder von Ihrem lokalen Computer oder von Google Cloud Storage hochladen.
• Laden Sie Ihre Bilder über die Benutzeroberfläche von Google Cloud AutoML Vision hoch und weisen Sie jedem Bild Beschriftungen zu. Dies ist die Methode, die ich in diesem Lernprogramm verwenden werde.

Fordern Sie Ihre kostenlose Testversion von Google Cloud Platform an

Zur Verwendung von Cloud AutoML Vision benötigen Sie ein Google Cloud Platform-Konto (GCP). Wenn Sie kein Konto haben, können Sie sich für eine kostenlose 12-monatige Testversion anmelden, indem Sie auf der Seite "Kostenlose Cloud-Plattform testen" nachsehen und dann den Anweisungen folgen. Du werden Sie müssen Ihre Debit- oder Kreditkartendaten eingeben. Gemäß den häufig gestellten Fragen (FAQs) werden diese nur zur Überprüfung Ihrer Identität verwendet. Sie werden erst belastet, wenn Sie ein Upgrade auf ein bezahltes Konto durchführen.

Die andere Voraussetzung ist, dass Sie die Abrechnung für Ihr AutoML-Projekt aktivieren. Wenn Sie sich gerade erst für eine kostenlose Testversion angemeldet haben oder keine Zahlungsinformationen mit Ihrem GPC-Konto verknüpft sind, gilt Folgendes:

• Gehen Sie zur GCP-Konsole.
• Öffnen Sie das Navigationsmenü (das Liniensymbol in der oberen linken Ecke des Bildschirms).
• Wählen Sie "Abrechnung".
• Öffnen Sie das Dropdown-Menü "Meine Abrechnung" und anschließend "Abrechnungskonten verwalten".
• Wählen Sie "Konto erstellen" und befolgen Sie die Anweisungen auf dem Bildschirm, um ein Abrechnungsprofil zu erstellen.

Erstellen Sie ein neues GCP-Projekt

Jetzt können Sie Ihr erstes Cloud AutoML Vision-Projekt erstellen:

• Gehen Sie zur Seite Ressourcen verwalten.
• Klicken Sie auf "Projekt erstellen".
• Geben Sie Ihrem Projekt einen Namen und klicken Sie dann auf "Erstellen".

Wenn Sie mehrere Abrechnungskonten haben, sollte GCP Sie fragen, welches Konto Sie mit diesem Projekt verknüpfen möchten. Wenn Sie ein einzelnes Abrechnungskonto haben und Wenn Sie der Rechnungsverwalter sind, wird dieses Konto automatisch mit Ihrem Projekt verknüpft.

Alternativ können Sie ein Abrechnungskonto manuell auswählen:

• Öffnen Sie das Navigationsmenü der GCP-Konsole und wählen Sie "Abrechnung".
• Wählen Sie "Rechnungskonto verknüpfen".
• Wählen Sie "Konto einrichten" und dann das Abrechnungskonto, das Sie diesem Projekt zuordnen möchten.

Aktivieren Sie die Cloud AutoML- und Speicher-APIs

Beim Erstellen Ihres Modells speichern Sie alle Ihre Trainingsbilder in einem Cloud-Speicher-Bucket. Daher müssen wir die AutoML aktivieren und Google Cloud Storage-APIs:

• Öffnen Sie das GCP-Navigationsmenü und wählen Sie "APIs & Services> Dashboard".
• Klicken Sie auf "APIs und Dienste aktivieren".
• Beginnen Sie mit der Eingabe von „Cloud AutoML API“ und wählen Sie diese aus, wenn sie angezeigt wird.
• Wählen Sie "Aktivieren".
• Navigieren Sie zurück zum Bildschirm „APIs & Services> Dashboard> APIs und Services aktivieren“.
• Beginnen Sie mit der Eingabe von "Google Cloud Storage" und wählen Sie es aus, wenn es angezeigt wird.
• Wählen Sie "Aktivieren".

Erstellen Sie einen Cloud-Speicher-Bucket

Wir erstellen unseren Cloud-Speicher-Bucket mit Cloud Shell, einer virtuellen Online-Maschine auf Linux-Basis:

• Wählen Sie in der Kopfzeile das Symbol "Google Cloud Shell aktivieren" aus (in der folgenden Abbildung befindet sich der Cursor).

• Eine Cloud Shell-Sitzung wird jetzt am unteren Rand der Konsole geöffnet. Warten Sie, während Google Cloud Shell eine Verbindung zu Ihrem Projekt herstellt.
• Kopieren Sie den folgenden Befehl, und fügen Sie ihn in Google Cloud Shell ein:

PROJECT = $ (gcloud config get-value-Projekt) && BUCKET = "$ {PROJECT} -vcm"

• Drücken Sie die Eingabetaste auf Ihrer Tastatur.
• Kopieren Sie den nächsten Befehl, und fügen Sie ihn in Google Cloud Shell ein:

gsutil mb -p $ {PROJECT} -c regional -l us-central1 gs: // $ {BUCKET}

• Drücken Sie die Eingabetaste.
• Gewähren Sie dem AutoML-Dienst die Berechtigung, auf Ihre Google Cloud-Ressourcen zuzugreifen, indem Sie den folgenden Befehl kopieren / einfügen und anschließend die Eingabetaste drücken:

PROJECT = $ (gcloud config get-value-Projekt) gcloud projects add-iam-Richtlinienbindung $ PROJECT --member = "serviceAccount: [email protected]" --role = "role / ml. admin "gcloud projekte add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" role / storage.admin "

Zeit zum Trainieren: Erstellen Sie Ihren Datensatz

Mit dieser Einstellung können wir jetzt unseren Datensatz hochladen! Das beinhaltet:

1. Erstellen eines leeren Datensatzes.
2. Fotos in den Datensatz importieren.
3. Weisen Sie jedem Foto mindestens eine Beschriftung zu. AutoML Vision ignoriert alle Fotos, die keine Beschriftung haben, vollständig.

Um den Etikettierungsprozess zu vereinfachen, lade ich alle meine Hundefotos hoch und etikettiere sie, bevor ich mich mit den Katzenfotos befasse:

• Rufen Sie die AutoML Vision-Benutzeroberfläche auf (die sich zum Zeitpunkt des Schreibens noch in der Beta befindet).
• Wählen Sie "Neuer Datensatz".
• Geben Sie Ihrem Datensatz einen aussagekräftigen Namen.
• Klicken Sie auf "Dateien auswählen".
• Wählen Sie im folgenden Fenster alle Ihre Hundefotos aus und klicken Sie auf "Öffnen".
• Da unsere Bilder nicht mehr als ein Etikett haben, können Sie die Option "Mehretikettenklassifizierung aktivieren" deaktivieren. Klicken Sie auf "Datensatz erstellen".

Sobald der Upload abgeschlossen ist, werden Sie von der Cloud AutoML Vision-Benutzeroberfläche zu einem Bildschirm mit all Ihren Bildern und einer Aufschlüsselung aller Labels geführt, die Sie auf diesen Datensatz angewendet haben.

Da unser Datensatz derzeit nur Bilder von Hunden enthält, können wir diese en masse kennzeichnen:

• Wählen Sie im linken Menü "Etikett hinzufügen".
• Geben Sie "Hund" ein und drücken Sie dann die Eingabetaste auf Ihrer Tastatur.
• Klicken Sie auf "Alle Bilder auswählen".
• Öffnen Sie das Dropdown-Menü "Label" und wählen Sie "Hund".

Jetzt haben wir alle unsere Hundefotos beschriftet. Es ist Zeit, auf die Katzenfotos zuzugreifen:

• Wählen Sie in der Kopfzeile „Bilder hinzufügen“.
• Wählen Sie "Von Ihrem Computer hochladen".
• Wählen Sie alle Ihre Katzenfotos aus und klicken Sie auf "Öffnen".
• Wählen Sie im linken Menü "Etikett hinzufügen".
• Geben Sie "cat" ein und drücken Sie die Eingabetaste auf Ihrer Tastatur.
• Gehen Sie durch und wählen Sie jedes Katzenfoto aus, indem Sie den Mauszeiger über das Bild halten und dann auf das Häkchensymbol klicken, wenn es angezeigt wird.
• Öffnen Sie das Dropdown-Menü "Label" und wählen Sie "Cat".

Trainieren Sie Ihr maschinelles Lernmodell

Jetzt haben wir unseren Datensatz, es ist Zeit, unser Modell zu trainieren! Du erhältst einen berechnen Eine Stunde kostenloses Training pro Modell für bis zu 10 Modelle pro Monat, was die interne Computernutzung darstellt und daher möglicherweise nicht mit einer tatsächlichen Stunde auf der Uhr korreliert.

Um Ihr Modell zu trainieren, gehen Sie einfach wie folgt vor:

• Wählen Sie die Registerkarte "Train" der AutoML Vision-Benutzeroberfläche.
• Klicken Sie auf "Training starten".

Die Zeit, die Cloud AutoML Vision zum Trainieren Ihres Modells benötigt, hängt von der Menge der von Ihnen bereitgestellten Daten ab. Laut offiziellen Dokumenten sollte dies jedoch ungefähr 10 Minuten dauern. Sobald Ihr Modell geschult wurde, stellt Cloud AutoML Vision es automatisch bereit und sendet eine E-Mail, in der Sie benachrichtigt werden, dass Ihr Modell jetzt einsatzbereit ist.

Wie genau ist Ihr Modell?

Bevor Sie Ihr Modell testen, sollten Sie möglicherweise einige Änderungen vornehmen, um sicherzustellen, dass die Vorhersagen so genau wie möglich sind.

Wählen Sie die Registerkarte "Auswerten" und dann einen Ihrer Filter aus dem Menü auf der linken Seite.

Zu diesem Zeitpunkt zeigt die AutoML Vision-Benutzeroberfläche die folgenden Informationen für dieses Label an:

• Bewertungsschwelle. Dies ist die Vertrauensstufe, die das Modell haben muss, um einem neuen Foto eine Bezeichnung zuzuweisen. Mit diesem Schieberegler können Sie die Auswirkungen verschiedener Schwellenwerte auf Ihr Dataset testen, indem Sie die Ergebnisse im zugehörigen Präzisionsrückrufdiagramm überwachen. Niedrigere Schwellenwerte bedeuten, dass Ihr Modell mehr Bilder klassifiziert. Es besteht jedoch ein erhöhtes Risiko, dass Fotos falsch identifiziert werden. Wenn der Schwellenwert hoch ist, klassifiziert Ihr Modell weniger Bilder, sollte aber auch weniger Bilder falsch identifizieren.
• Durchschnittliche Präzision. So gut schneidet Ihr Modell bei allen Bewertungsschwellen ab, wobei 1,0 die maximale Bewertung ist.
• Präzision. Je höher die Genauigkeit, desto weniger Fehlalarme sollten auftreten. In diesem Fall weist das Modell einem Bild die falsche Bezeichnung zu. Ein hochpräzises Modell kennzeichnet nur die relevantesten Beispiele.
• Erinnern. Von allen Beispielen, denen ein Etikett hätte zugewiesen werden sollen, gibt der Rückruf an, wie vielen von ihnen tatsächlich ein Etikett zugewiesen wurde. Je höher der Prozentsatz der Rückrufe, desto weniger falsche Negative sollten auftreten. In diesem Fall kann das Modell ein Bild nicht beschriften.

Stellen Sie Ihr Modell auf die Probe!

Jetzt kommt der lustige Teil: Überprüfen Sie, ob Ihr Modell erkennen kann, ob ein Foto einen Hund oder eine Katze enthält, indem Sie eine Vorhersage auf der Grundlage von Daten erstellen, die es zuvor noch nicht gesehen hat.

• Schnapp dir ein Foto davon nicht in Ihrem ursprünglichen Datensatz enthalten.
• Wählen Sie in der AutoML Vision Console die Registerkarte "Predict".
• Wählen Sie "Bilder hochladen".
• Wählen Sie das Bild aus, das AutoML Vision analysieren soll.
• Nach einigen Augenblicken wird Ihr Modell seine Vorhersage treffen - hoffentlich ist es richtig!

Beachten Sie, dass es während der Beta-Phase von Cloud AutoML Vision zu einer Aufwärmverzögerung Ihres Modells kommen kann. Wenn Ihre Anfrage einen Fehler zurückgibt, warten Sie einige Sekunden, bevor Sie es erneut versuchen.

Einpacken

In diesem Artikel wurde untersucht, wie Sie mit Cloud AutoML Vision ein benutzerdefiniertes Lernmodell trainieren und bereitstellen können. Glauben Sie, dass Tools wie AutoML das Potenzial haben, mehr Menschen zum maschinellen Lernen zu bewegen? Lass es uns in den Kommentaren unten wissen!