Nápady na řešení
Tento článek je myšlenkou řešení. Pokud chcete, abychom obsah rozšířili o další informace, jako jsou potenciální případy použití, alternativní služby, aspekty implementace nebo pokyny k cenám, dejte nám vědět tím, že nám poskytnete zpětnou vazbu k GitHubu.
Pomocí konvolučních neurálních sítí (CNN) můžete efektivně klasifikovat velké objemy obrázků k identifikaci prvků v obrázcích.
Architektura
Stáhněte si soubor aplikace Visio s touto architekturou.
Tok dat
- Nahrání obrázků do služby Azure Blob Storage se ingestuje službou Azure Machine Učení.
- Vzhledem k tomu, že řešení se řídí přístupem učení pod dohledem a potřebuje k trénování modelu popisky dat, jsou ingestované image označené ve stroji Učení.
- Model CNN se vytrénuje a ověřuje v poznámkovém bloku Učení počítače. K dispozici je několik předem natrénovaných modelů klasifikace obrázků. Můžete je použít pomocí transferového učení. Informace o některých variantách předem natrénovaných sítí CNN najdete v tématu Pokroky v klasifikaci obrázků pomocí konvolučních neurálních sítí. Tyto modely klasifikace obrázků si můžete stáhnout a přizpůsobit pomocí označených dat.
- Po trénování se model uloží do registru modelů v Učení počítače.
- Model se nasadí prostřednictvím dávkových spravovaných koncových bodů.
- Výsledky modelu se zapisují do služby Azure Cosmos DB a využívají se prostřednictvím front-endové aplikace.
Komponenty
- Blob Storage je služba, která je součástí Služby Azure Storage. Blob Storage nabízí optimalizované cloudové úložiště objektů pro velké objemy nestrukturovaných dat.
- Machine Učení je cloudové prostředí, které můžete použít k trénování, nasazování, automatizaci, správě a sledování modelů strojového učení. Pomocí modelů můžete předpovídat budoucí chování, výsledky a trendy.
- Azure Cosmos DB je globálně distribuovaná databáze s více modely. Díky službě Azure Cosmos DB můžou vaše řešení elasticky škálovat propustnost a úložiště napříč libovolným počtem geografických oblastí.
- Azure Container Registry vytváří, ukládá a spravuje image kontejnerů a může ukládat kontejnerizované modely strojového učení.
Podrobnosti scénáře
S nárůstem technologií, jako je Internet věcí (IoT) a AI, svět generuje velké objemy dat. Extrakce relevantních informací z dat se stala hlavní výzvou. Klasifikace obrázků je relevantní řešení pro identifikaci toho, co obrázek představuje. Klasifikace obrázků vám může pomoct kategorizovat velké objemy obrázků. Konvoluční neurální sítě (CNN) vykreslují dobrý výkon u datových sad obrázků. Sítě CNN hrály významnou roli při vývoji špičkových řešení klasifikace obrázků.
V sítích CNN existují tři hlavní typy vrstev:
- Konvoluční vrstvy
- Vrstvy sdružování
- Plně propojené vrstvy
Konvoluční vrstva je první vrstva konvoluční sítě. Tato vrstva může následovat za jinou konvoluční vrstvou nebo vrstvou sdružování. Obecně platí, že plně propojená vrstva je poslední vrstvou v síti.
S rostoucím počtem vrstev se zvyšuje složitost modelu a model dokáže identifikovat větší části obrázku. Počáteční vrstvy se zaměřují na jednoduché funkce, jako jsou hrany. S tím, jak data obrázků procházejí vrstvami sítě CNN, začne síť rozpoznávat sofistikovanější prvky nebo obrazce v objektu. Nakonec identifikuje očekávaný objekt.
Potenciální případy použití
- Toto řešení může pomoct automatizovat detekci selhání, která je vhodnější spoléhat se výhradně na lidské operátory. Toto řešení může například zvýšit produktivitu identifikací vadných elektronických komponent. Tato schopnost je důležitá pro štíhlou výrobu, řízení nákladů a snížení plýtvání ve výrobě. Při výrobě desek s plošnými spoji mohou vadné desky pro výrobce znamenat finanční ztrátu a snížení produktivity. Montážní linky spoléhají na lidské operátory k rychlé kontrole a ověření desek, které jsou označeny jako potenciálně vadné testovacími stroji montážní linky.
- Klasifikace obrázků je ideální pro zdravotnictví. Klasifikace obrázků pomáhá rozpoznat trhliny kostí, různé typy rakoviny a anomálie v tkáních. Klasifikaci obrázků můžete použít také k označení nesrovnalostí, které mohou znamenat přítomnost onemocnění. Model klasifikace obrázků může zvýšit přesnost mri.
- V oblasti zemědělství pomáhají řešení klasifikace obrázků identifikovat choroby rostlin a rostliny, které vyžadují vodu. Díky tomu klasifikace obrázků pomáhá snížit potřebu lidského zásahu.
Přispěvatelé
Tento článek spravuje Microsoft. Původně byl napsán následujícím přispěvatelem.
Hlavní autor:
- Ashish Chauhan | Vedoucí architekt řešení
Pokud chcete zobrazit neveřejné profily LinkedIn, přihlaste se na LinkedIn.
Další kroky
- Další informace o službě Blob Storage najdete v tématu Úvod do služby Azure Blob Storage.
- Další informace o container Registry najdete v tématu Úvod do registrů kontejnerů v Azure.
- Další informace o správě modelů (MLOps) najdete v tématu MLOps: Správa modelů, nasazení, rodokmen a monitorování pomocí služby Azure Machine Učení.
- Další informace o SynapseML najdete v tématu Synapse Machine Učení.
- Pokud chcete prozkoumat modul Microsoft Learn, který obsahuje část o sítích CNN, přečtěte si téma Trénování a vyhodnocení modelů hlubokého učení.
Související prostředky
Vizuální vyhledávání v maloobchodě s využitím služby Azure Cosmos DB