Classification des images avec les réseaux de neurones convolutifs (CNN)

Utilisez des réseaux neuronaux convolutifs (CNN) pour classifier efficacement d’importants volumes d’images afin d’identifier des éléments dans des images.

Architecture

Téléchargez un fichier Visio de cette architecture.

Flux de données

1. Les chargements d’images dans Stockage Blob Azure sont ingérés par Azure Machine Learning.
2. Étant donné que la solution suit une approche d’apprentissage supervisée et nécessite l’étiquetage des données pour entraîner le modèle, les images ingérées sont étiquetées dans Machine Learning.
3. Le modèle CNN est entraîné et validé dans le notebook Machine Learning. Plusieurs modèles de classification d’images préentrainés sont disponibles. Vous pouvez les utiliser à l’aide d’une approche d’apprentissage de transfert. Pour plus d’informations sur certaines variantes de CNN préentraînés, consultez Avancées en termes de classification d’images à l’aide de réseaux neuronaux convolutifs. Vous pouvez télécharger ces modèles de classification d’images et les personnaliser avec vos données étiquetées.
4. Au terme de l’entraînement, le modèle est stocké dans un registre de modèles dans Machine Learning.
5. Le modèle peut être déployé via des points de terminaison gérés par lots.
6. Les résultats du modèle sont écrits dans Azure Cosmos DB et consommés dans l’application frontale.

Composants

• Stockage Blob est un service qui fait partie de Stockage Azure. Stockage Blob offre un stockage d’objets cloud optimisé destiné à d’importants volumes de données non structurées.
• Machine Learning est un environnement basé sur le cloud qui vous permet d’effectuer l’apprentissage, le déploiement, l’automatisation, la gestion et le suivi des modèles Machine Learning. Vous pouvez utiliser les modèles pour prévoir les comportement, les résultats et les tendances futurs.
• Azure Cosmos DB est une base de données multimodèle distribuée à l’échelle mondiale. Azure Cosmos DB permet à vos solutions de faire évoluer en toute flexibilité le débit et le stockage dans un nombre illimité de régions géographiques.
• Azure Container Registry crée, stocke et gère les images conteneurs et peut stocker des modèles Machine Learning en conteneur.

Détails du scénario

Avec l'essor de technologies telles que l'Internet des objets (IoT) et l'IA, le monde génère de grandes quantités de données. L’extraction d’informations pertinentes à partir des données est devenue un défi majeur. La classification d’images est une bonne solution pour identifier ce qu’une image représente. La classification d’images peut vous aider à catégoriser d’importants volumes d’images. Les réseaux neuronaux convolutifs (CNN) affichent de bonnes performances sur les jeux de données d’image. Les CNN ont joué un rôle primordial dans le développement de solutions de classification d’images de pointe.

Il existe trois types de couches principaux dans les CNN :

• Couches convolutives
• Couches de regroupement
• Couches entièrement connectées

La couche convolutive est la première couche d’un réseau convolutif. Cette couche peut suivre une autre couche convolutive ou des couches de regroupement. En général, la couche entièrement connectée est la dernière couche du réseau.

Avec l’augmentation du nombre de couches, la complexité du modèle augmente et le modèle peut identifier de plus grandes parties de l’image. Les couches de début se concentrent sur des fonctionnalités simples, telles que les bords. À mesure que les données d’image avancent dans les couches du CNN, le réseau commence à reconnaître des éléments ou des formes plus sophistiqués dans l’objet. Enfin, il identifie l’objet attendu.

Cas d’usage potentiels

• Cette solution peut contribuer à automatiser la détection des défaillances, ce qui est préférable au recours exclusifs à des opérateurs humains. Par exemple, cette solution peut améliorer la productivité en identifiant les composants électroniques défectueux. Une telle capacité est importante en termes de production allégée, de contrôle des coûts et de réduction des déchets liés à la fabrication. En matière de fabrication de cartes de circuits imprimés, des cartes défectueuses peuvent s’avérer coûteux en termes d’argent et de productivité pour les fabricants Les lignes d’assemblage s’appuient sur des opérateurs humains pour examiner et valider rapidement les cartes marquées comme étant potentiellement défectueuses par les machines de test.
• La classification d’images est idéale pour le secteur de la santé. La classification des images permet de détecter les fissures osseuses, divers types de cancer, ainsi que les anomalies tissulaires. Vous pouvez également utiliser la classification d’images pour marquer les irrégularités susceptibles d’indiquer la présence d’une maladie. Un modèle de classification d’images permet d’améliorer la précision des IRM.
• Dans le domaine de l’agriculture, les solutions de classification d’images permettent d’identifier les maladies des plantes et les plantes qui ont besoin d’eau. Par conséquent, la classification d’images permet de réduire le besoin d’intervention humaine.

Contributeurs

Cet article est géré par Microsoft. Il a été écrit à l’origine par les contributeurs suivants.

Auteur principal :

• Ashish Chauhan | Architecte de solution senior

Pour afficher les profils LinkedIn non publics, connectez-vous à LinkedIn.

Étapes suivantes

• Pour en savoir plus sur le Stockage Blob, consultez Présentation du Stockage Blob Azure.
• Pour en savoir plus sur Container Registry, consultez Présentation des registres de conteneurs dans Azure.
• Pour en savoir plus sur la gestion des modèles (MLOps), consultez MLOps : Gestion des modèles, déploiement, traçabilité et surveillance avec Azure Machine Learning.
• Pour en savoir plus sur SynapseML, consultez Apprentissage automatique Synapse.
• Pour explorer un module Microsoft Learn incluant une section sur les CNN, consultez Entraîner et évaluer des modèles Deep Learning.

Ressources associées

Recherche visuelle dans le commerce de détail avec Azure Cosmos DB