Классификация изображений с помощью сверточных нейронных сетей (CNN)

Использование сверточных нейронных сетей (CNN) для классификации больших объемов изображений эффективно для идентификации элементов в изображениях.

Архитектура

Скачайте файл Visio для этой архитектуры.

Поток данных

1. Отправки изображений в Хранилище BLOB-объектов Azure обрабатываются Машинное обучение Azure.
2. Так как решение следует защищенному подходу к обучению и нуждается в маркировке данных для обучения модели, полученные изображения помечены в Машинное обучение.
3. Модель CNN обучена и проверена в записной книжке Машинное обучение. Доступны несколько предварительно обученных моделей классификации изображений. Их можно использовать с помощью подхода к обучению передачи. Сведения о некоторых вариантах предварительно обученных CNN см. в статье "Усовершенствования в классификации изображений" с использованием сверточных нейронных сетей. Эти модели классификации изображений можно скачать и настроить с помощью помеченных данных.
4. После обучения модель хранится в реестре моделей в Машинное обучение.
5. Модель развертывается через управляемые пакетом конечные точки.
6. Результаты модели записываются в Azure Cosmos DB и используются через интерфейсное приложение.

Компоненты

• Служба хранилища BLOB-объектов — это служба, которая является частью служба хранилища Azure. Хранилище BLOB-объектов предлагает оптимизированное облачное хранилище для больших объемов неструктурированных данных.
• Машинное обучение — это облачная среда, которую можно использовать для обучения, развертывания, автоматизации, управления и отслеживания моделей машинного обучения. Модели можно использовать для прогнозирования будущего поведения, результатов и тенденций.
• Azure Cosmos DB — это многомодельная глобально распределенная база данных. Azure Cosmos DB позволяет гибко масштабировать пропускную способность и ресурсы хранилища в любом количестве географических регионов.
• Реестр контейнеров Azure сборки, хранения и управления образами контейнеров и может хранить контейнерные модели машинного обучения.

Подробности сценария

С ростом технологий, таких как Интернет вещей (IoT) и ИИ, мир создает большие объемы данных. Извлечение соответствующих сведений из данных стало основной проблемой. Классификация изображений — это соответствующее решение для определения того, что представляет изображение. Классификация изображений помогает классифицировать большие объемы изображений. Сверточная нейронная сеть (CNN) отображает хорошую производительность в наборах данных изображений. CNN сыграли важную роль в разработке решений классификации образов с отслеживанием состояния.

Существует три основных типа слоев в CNN:

• Сверточных слоев
• Слои объединения
• Полносвязные слои

Сверточная сеть является первым слоем свертной сети. Этот слой может следовать другому свертному уровню или слоям пула. Как правило, полностью подключенный слой является конечным уровнем в сети.

По мере увеличения числа слоев сложность модели увеличивается, а модель может определить большую часть изображения. Начальные слои сосредоточены на простых функциях, таких как края. По мере продвижения данных изображения через слои CNN сеть начинает распознавать более сложные элементы или фигуры в объекте. Наконец, он идентифицирует ожидаемый объект.

Потенциальные варианты использования

• Это решение может помочь автоматизировать обнаружение сбоев, которое предпочтительнее полагаться исключительно на человеческие операторы. Например, это решение может повысить производительность, определив неисправные электронные компоненты. Эта возможность важна для бережливого производства, контроля затрат и сокращения отходов в производстве. Из-за брака в производстве монтажных схем у производителей могут появиться дополнительные расходы и ухудшиться эффективность. Линии сборки полагаются на человеческих операторов, чтобы быстро проверять и проверять доски, помеченные как потенциально неисправные на тестовых машинах.
• Классификация изображений идеально подходит для отрасли здравоохранения. Классификация изображений помогает обнаружить трещины костей, различные типы рака и аномалии в ткани. Вы также можете использовать классификацию изображений для флагов нарушений, которые могут указывать на наличие болезни. Модель классификации изображений может повысить точность МРТ.
• В области сельского хозяйства решения классификации изображений помогают выявлять заболевания растений и растения, требующие воды. В результате классификация изображений помогает снизить потребность в вмешательстве человека.

Соавторы

Эта статья поддерживается корпорацией Майкрософт. Первоначально она была написана следующими участник.

Автор субъекта:

• Эшиш Чаухан | Старший архитектор решений

Чтобы просмотреть недоступные профили LinkedIn, войдите в LinkedIn.

Следующие шаги

• Дополнительные сведения о служба хранилища BLOB-объектов см. в статье "Общие сведения о Хранилище BLOB-объектов Azure".
• Дополнительные сведения о реестре контейнеров см. в статье "Общие сведения о реестрах контейнеров" в Azure.
• Дополнительные сведения об управлении моделями (MLOps) см. в статье MLOps: управление моделями, развертывание, происхождение и мониторинг с помощью Машинное обучение Azure.
• Дополнительные сведения о SynapseML см. в Машинное обучение Synapse.
• Сведения о модуле Microsoft Learn, который содержит раздел о CNN, см. в статье "Обучение и оценка моделей глубокого обучения".

Связанные ресурсы

Визуальный поиск в розничной торговле с помощью Azure Cosmos DB