AI時代的網站與手機App建置與開發Part8 - 使用ML.NET執行影像分類

 ·       摘要

ML.NET不僅可以支援分類表格式的資料, 也可以分類影像資料. 在分類表格式的資料, 必須指定資料的某一個特徵為分類的結果, 例如在[AI時代的網站與手機App建置與開發Part4 - 整合ML.NET與ASP.NET Core MVC網站-建立訓練機器學習模型]這篇文章中就指定訓練資料中的class特徵為分類的結果, 如果要分類影像或聲音之類的資料, 因為無法經由人工挑選特徵, 所以必須使用深度學習技術來訓練技術學習模型.

在這篇文章中, 我們將要使用ML.NET程式庫, 利用其支援的深度學習功能訓練能夠執行影像辨識的機器學習模型.


文章範例下載:https://github.com/CraigIII/MLNetImageClassification.git

·        準備訓練資料

首先請準備訓練機器學習模型的素材, 也就是欲辨識的影像, 例如我們想要訓練機器學習模型辨識動物, 就要準備欲辨識的動物的圖片, 例如狗的圖片, 貓的圖片, 牛的圖片, 等等. 請將欲辨識的圖片統一放在同一個資料夾中.

·       建立專案並加入機器學習模型

請啟動Visual Studio建立型態為[ASP.NET Core MVC應用程式(Model-View-Controller)]型態的專案 , 然後使用滑鼠右鍵點選[方案總管]視窗中的專案名稱, 執行[加入 | 機器學習模型]功能, 做好之後請選擇[電腦視覺]項目的[影像分類], 您就會看到選擇機器學習執行環境的畫面, 如圖1所示；

圖1: 選擇機器學習執行環境的畫面

點選[下一步], 您會看到選擇訓練機器學習模型的環境的畫面, 如圖2所示:

圖2: 選擇訓練機器學習模型的環境的畫面

您可以選擇本機電腦的CPU環境, 本機電腦GPU環境, 或是Azure雲端環境來訓練機器學習模型. 選妥之後請點選[下一步]鍵, 您就會看到輸入訓練資料的畫面.

請將訓練圖片統一放在一個資料夾(例如名稱為images的資料夾)底下, 如下圖所示:


 請使用圖2中選取資料夾功能選取存放有訓練影像的資料夾, 畫面上就會顯示所選擇的資料夾中的圖片的預覽, 如圖3所示:

圖3: 輸入妥訓練資料的畫面

準備妥訓練圖片之後請按下[下一步]鍵, 您就會看到執行訓練機器學習模型的畫面, 如圖4所示:

圖4: 執行訓練機器學習模型的畫面

點選[執行訓練]鍵, 並等待訓練完成. 訓練完成後請點選[下一步]鍵進入評估畫面. 請點選畫面中的[瀏覽影像]連結, 選取一張影像進行評估, 評估完成後您就會看到如圖5所示的畫面:

圖5: 評估訓練妥的機器學習模型的畫面

如果評估結果可以接受, 可以按下[下一步]鍵, 進入建立取用訓練妥機器學習模型的畫面, 如圖6所示, 如果評估結果不準確, 可以準備更多的訓練圖片, 再回到輸入訓練資料的畫面, 重新整理訓練影像, 並重新進行訓練與評估, 直到滿意訓練結果為止:

圖6: 建立取用訓練妥機器學習模型的畫面

請注意如果您想建立提供機器學習服務給眾多的應用程式使用, 可以選擇點選圖6畫面中的[Web API]項目右方的[新增至解決方案]連結, Visual Studio建立的Web API專案將會提供/predict端點供需要機器學習服務的應用程式呼叫使用. 如果所建立的機器學習模型只要支援自己建立的程式使用, 請點選圖6畫面中的[主控台應用程式]項目右方的[新增至解決方案]連結, 由Visual Studio建立叫用訓練妥機器學習模型的主控台應用程式專案.

請點選圖6畫面中的[Web API]項目右方的[新增至解決方案]連結, 執行建立[Web API]專案的動作, Visual Studio就會將訓練妥的機器學習模型部署到新建立的[Web API]專案當做Server程式.

做好之後請再點選圖6畫面中的[主控台應用程式]項目右方的[新增至解決方案]連結, 由Visual Studio建立叫用機器學習模型的主控台應用程式專案.

建立妥部署有機器學習模型的Server專案與Client專案之後, 請使用Visual Studio設定啟動專案, 將啟動專案設定成叫用機器學習模型的主控台應用程式專案.

設定完成之後請執行專案, 您就會看到Client專案將讀取的影像檔案的內容傳送給機器學習模型評估的結果, 如圖7所示:

圖7: Client專案將讀取的影像檔案的內容傳送給機器學習模型評估的結果

按下圖6畫面中的[下一步]鍵, 可以看到[部署您的模型], [在Azure中訓練], 和[改進模型]三個選項, 點選這些選項可以獲取有關將訓練妥的機器學習模型部署到Microsoft Azure雲端平台, 在Azure雲端平台訓練機器學習模型, 和改進訓練妥的機器學習模型的相關文件.

·       後續處理

下一回我們將為大家示範如何將叫用部署有機器學習模型的Server專案程式碼移植到ASP.NET Core MVC網站專案或是MAUI跨平台手機App專案.

留言

張貼留言

這個網誌中的熱門文章

AI時代的網站與手機App建置與開發Part27 - ML.NET與物件偵測

圖片
  ·        摘要 在自動駕駛的無人車和無人機風風火火出現在日常生活的應用的現今 , 物件偵測技術的應用也日益普及 , 例如自駕車必須要能夠偵測並判斷車輛前方的物體 , 當然最近眾人關注的人形機器人 , 也必須重度依賴物件偵測技術 . 圖 : 物件偵測示意圖 在本篇文章中 , 我們將使用 Visual Studio 2022, 搭配 Microsoft ML.NET 執行物件偵測 . ·        準備訓練資料 首先請參考 [ 使用 VoTT 為物件偵測標記影像 ] 這篇文件的說明 , 為欲偵測的圖片內容進行標示的動作 . 您可以標示多張內含欲辨識的內容 ( 例如 : 汽車 , 機車 , 狗 , 貓 , 紅綠燈 , 交通號誌等等 ) 的圖片 . 例如我們想辨識以下圖片中的停止號誌 : 圖: 內含停止號誌的圖片 就可以使用 Microsoft Visual Object Tagging Tool 標示出圖中 Stop 號誌的位置 , 得到內容位置資訊的 JSON 文件 , 如下所示 : {     "asset": {         "format": "jpg",         "id": "3a74b9294f2f787bf2abe678f6a43231",         "name": "untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "path": "file:E:/temp/Stop-Signs/untitled-photo-3d6zCZ4lpBE-unsplash.jpg",         "size": {  ...
閱讀完整內容

AI時代的網站與手機App建置與開發Part28 - 使用YOLO模型進行物件偵測

圖片
  l   摘要 應用程式要提供物件偵測功能 , 除了能夠使用 Microsoft ML.NET 本身的物件偵測模型 ( 請參考 : AI 時代的網站與手機 App 建置與開發 Part27 - ML.NET 與物件偵測 的說明 ) 以外 , 也可以利用 SSD(Single Shot MultiBox Detector) 或 YOLO(You Only Look Once) 等演算法提供即時的物件偵測功能 . 圖 : YOLO 梗圖 ·        認識 SSD 與 YOLO 演算法 SSD 和 YOLO 演算法都是用來執行物件偵測常用的做法 , 其主要特性比較如表 1 的說明 : Feature SSD YOLO 辨識效率 快 ( 較 R-NN 快 , 較 YOLO 慢 ) 非常快 , 適合即時 (real-time) 作業 準確度 辨識小型物件準確度佳 辨識大型物件準確度佳 複雜度 中等 相對簡單 辨識圖片大小 支援 版本越高支援越好 表 1: SSD 和 YOLO 演算法主要特性比較 SSD 與 YOLO 物件偵測演算法的適用場合 ·         YOLO 物件偵測演算法的適用場合 : ü   即時運算 (Real-time) 程式 , 例如監視器 , 自動駕駛交通工具 , 機器人 ü   辨識速度很關鍵的場合 ·         SSD 物件偵測演算法的適用場合 : ü   辨識小型物件準確度高的場合 , 例如文件分析或...
閱讀完整內容

AI時代的網站與手機App建置與開發Part24 - ML.NET與圖片異常偵測

圖片
  ·        摘要 將異常偵測應用在圖片資料能夠替代人工進行產品的瑕疵檢視 , 例如檢視食物是否腐敗 , 外型破裂 , 研判 X 光片的內容是否異常 , 或是判斷商品的包裝是否破損等等 , 對於 24 小時不間斷的生產線能夠提供重要的品管支援 . 圖 : 圖片異常偵測示意圖 在本篇文章中 , 我們將使用 Microsoft ML.NET 支援的 ResNet50 預訓練模型 (Pre-Trained Model) 執行圖片的異常偵測 , 期能利用 AI 模型支援 24 小時不間斷的自動化作業 . ·        準備訓練資料 首先請啟動瀏覽器 , 瀏覽至 Cloud and Non-Cloud Images(Anomaly Detection, 下載訓練圖片資料集 ( 下載網址 : https://www.kaggle.com/datasets/ashoksrinivas/cloud-anomaly-detection-images?resource=download ). 圖 1 所示即為下載得到的圖片資料集的部分內容 : 圖 1: 訓練圖片資料集的部分內容 請將訓練圖片加入到 Visual Studio 專案中名稱為 images 資料夾中 , 並到 [ 屬性 ] 視窗將所有的訓練圖片的 [ 複製到輸出目錄 ] 屬性的內容值設定為 : 有更新時才複製 . ·        準備預訓練模型 請啟動瀏覽器 , 瀏覽至 ONNX Model Zoo, 下載支援圖片辨識的預訓練模型 ( 下載網址 : GitHub - onnx/models: A collection of pre-trained, state-of-the-art models in the ONNX format ), 請下載名稱為 resnet50-v2-7.onnx 的預訓練模型 . 請將下載妥的預訓練模型加入到 Visual Studio 專案中名稱為 PreTrainedModel 資料夾中 , 並到 [ 屬性 ] 視窗將預訓練模型檔案的 [ 複製到輸出目錄...
閱讀完整內容