解決方案構想
本文是解決方案概念。 如果您想要使用詳細資訊來擴充內容，例如潛在的使用案例、替代服務、實作考慮或定價指引，請提供 GitHub 意見反應 讓我們知道。
使用卷積神經網路 （CNN） 有效率地分類大量影像，以識別影像中的元素。
架構
資料流程
- Azure 機器學習會擷取影像上傳至Azure Blob 儲存體。
- 因為解決方案遵循監督式學習方法，而且需要資料標記來定型模型，因此內嵌的影像會在機器學習中加上標籤。
- CNN 模型會在機器學習筆記本中定型和驗證。 有數個預先定型的影像分類模型可供使用。 您可以使用轉移學習方法加以使用。 如需一些預先定型 CNN 變體的資訊，請參閱 使用卷積神經網路 進行影像分類的進步。 您可以下載這些影像分類模型，並使用加上標籤的資料加以自訂。
- 定型之後，模型會儲存在模型登錄中，機器學習。
- 模型會透過批次受控端點進行部署。
- 模型結果會寫入 Azure Cosmos DB，並透過前端應用程式取用。
元件
- Blob 儲存體 是屬於Azure 儲存體 一部分的服務 。 Blob 儲存體針對大量的非結構化資料，提供優化的雲端物件儲存體。
- 機器學習是雲端式環境，可用來定型、部署、自動化、管理及追蹤機器學習模型。 您可以使用模型來預測未來的行為、結果和趨勢。
- Azure Cosmos DB 是全域散發的多模型資料庫。 透過 Azure Cosmos DB，您的解決方案可以在任意數目的地理區域彈性調整輸送量和儲存體。
- Azure Container Registry 會建置、儲存及管理容器映射，並可儲存容器化的機器學習模型。
案例詳細資料
隨著物聯網（IoT）和 AI 等技術的興起，世界正在產生大量資料。 從資料中擷取相關資訊已成為一項重大挑戰。 影像分類是識別影像所代表之內容的相關解決方案。 影像分類可協助您分類大量影像。 卷積神經網路 （CNN） 會在影像資料集上呈現良好的效能。 CNN在開發最先進的影像分類解決方案方面發揮了重要作用。
CNN 中有三種主要層級類型：
- 卷積層
- 集區層
- 完全連線層
卷積層是卷積網路的第一層。 此層可以遵循另一個卷積層或集區層。 一般而言，完全連線層是網路中的最後一層。
隨著圖層數目增加，模型的複雜度會增加，而模型可以識別影像的較大部分。 開始層著重于簡單的功能，例如邊緣。 當影像資料在 CNN 層中前進時，網路會開始辨識物件中更複雜的元素或圖形。 最後，它會識別預期的物件。
潛在的使用案例
- 此解決方案可協助自動化失敗偵測，最好只依賴人類操作員。 例如，此解決方案可藉由識別故障的電子元件來提升生產力。 這項功能對於精簡製造、成本控制和減少製造浪費而言很重要。 在電路板製造業中，故障面板可能會使製造商損失金錢和生產力。 元件行依賴人類操作員快速檢閱及驗證元件線測試機器可能錯誤的面板。
- 影像分類非常適合醫療保健產業。 影像分類有助於檢測骨骼裂縫、各種類型的癌症，以及組織異常。 您也可以使用影像分類來標幟可指出疾病存在的違規行為。 影像分類模型可以改善 MRIS 的精確度。
- 在農業領域，影像分類解決方案有助於識別需要水的植物疾病和植物。 因此，影像分類有助於減少人為介入的需求。
參與者
本文由 Microsoft 維護。 它最初是由下列參與者所撰寫。
主體作者：
- 阿什沙漢 |資深解決方案架構師
若要查看非公用LinkedIn設定檔，請登入 LinkedIn。
下一步
- 若要深入瞭解 Blob 儲存體，請參閱 Azure Blob 儲存體 簡介。
- 若要深入瞭解 Container Registry，請參閱 Azure 中的容器登錄簡介。
- 若要深入瞭解模型管理 （MLOps），請參閱 MLOps：使用 Azure 機器學習 進行模型管理、部署、譜系和監視。
- 若要深入瞭解 SynapseML，請參閱 Synapse 機器學習 。
- 若要探索包含 CNN 一節的 Microsoft Learn 課程模組，請參閱 定型和評估深度學習模型 。