Képbesorolás konvolúciós neurális hálózatokkal (CNN-ekkel)

Konvolúciós neurális hálózatok (CNN-ek) használatával nagy méretű képeket sorolhat be hatékonyan a képek elemeinek azonosításához.

Felépítés

Töltse le az architektúra Visio-fájlját.

Adatfolyam

1. Az Azure Blob Storage-ba való képfeltöltéseket az Azure Machine Tanulás tölti be.
2. Mivel a megoldás egy felügyelt tanulási megközelítést követ, és a modell betanításához adatcímkézésre van szükség, a betöltött képeket a gépi Tanulás címkével látja el.
3. A CNN-modell betanítása és ellenőrzése a Gép Tanulás jegyzetfüzetben történik. Számos előre betanított képbesorolási modell érhető el. Ezeket a transzfertanulási megközelítéssel használhatja. Az előre betanított CNN-ek egyes változatairól a konvolúciós neurális hálózatok használatával végzett képbesorolási fejlesztések című témakörben olvashat. Letöltheti ezeket a képbesorolási modelleket, és testre szabhatja őket a címkézett adatokkal.
4. A betanítás után a modell egy modellregisztrációs adatbázisban lesz tárolva a Machine Tanulás-ban.
5. A modell kötegelt felügyelt végpontokon keresztül van üzembe helyezve.
6. A modell eredményei az Azure Cosmos DB-be vannak írva, és az előtérbeli alkalmazáson keresztül lesznek felhasználva.

Összetevők

• A Blob Storage az Azure Storage részét képező szolgáltatás. A Blob Storage optimalizált felhőalapú objektumtárolást kínál nagy mennyiségű strukturálatlan adathoz.
• A gépi Tanulás egy felhőalapú környezet, amellyel gépi tanulási modelleket taníthat be, helyezhet üzembe, automatizálhat, kezelhet és nyomon követheti. A modellek segítségével előre jelezheti a jövőbeli viselkedést, eredményeket és trendeket.
• Az Azure Cosmos DB egy globálisan elosztott, többmodelles adatbázis. Az Azure Cosmos DB-vel a megoldások rugalmasan méretezhetik az átviteli sebességet és a tárolást tetszőleges számú földrajzi régióban.
• Az Azure Container Registry tárolólemezképeket fejleszt, tárol és kezel, és tárolóalapú gépi tanulási modelleket tárol.

Forgatókönyv részletei

Az olyan technológiák növekedésével, mint a dolgok internete (IoT) és az AI, a világ nagy mennyiségű adatot generál. A releváns információk kinyerése az adatokból jelentős kihívást jelent. A képbesorolás megfelelő megoldás a kép ábrázolásának azonosítására. A képbesorolás segíthet a nagy mennyiségű kép kategorizálásában. A konvolúciós neurális hálózatok (CNN-ek) jó teljesítményt mutatnak a képadatkészleteken. A CNN-k jelentős szerepet játszottak a korszerű képbesorolási megoldások fejlesztésében.

A CNN-ekben három fő rétegtípus létezik:

• Konvolúciós rétegek
• Rétegek készletezése
• Teljesen csatlakoztatott rétegek

A konvolúciós réteg a konvolúciós hálózat első rétege. Ez a réteg egy másik konvolúciós réteget vagy készletezési réteget is követhet. Általában a teljes mértékben csatlakoztatott réteg a hálózat utolsó rétege.

A rétegek számának növekedésével a modell összetettsége nő, és a modell képes azonosítani a kép nagyobb részeit. Az első rétegek az egyszerű funkciókra, például az élekre összpontosítanak. Ahogy a képadatok a CNN rétegeiben haladnak előre, a hálózat elkezdi felismerni az objektum kifinomultabb elemeit vagy alakzatait. Végül azonosítja a várt objektumot.

Lehetséges használati esetek

• Ez a megoldás segíthet automatizálni a hibaészlelést, ami előnyösebb, ha kizárólag emberi operátorokra támaszkodik. Ez a megoldás például a hibás elektronikus összetevők azonosításával növelheti a termelékenységet. Ez a képesség fontos a lean gyártás, a költség-ellenőrzés és a hulladékcsökkentés szempontjából a gyártásban. Az áramköri lapkák gyártásánál keletkező hibás lapkák jelentős anyagi és termelési veszteséget jelentenek. A szerelősorok az emberi operátorokra támaszkodva gyorsan áttekintik és ellenőrzik azokat a táblákat, amelyeket a szerelősor-tesztgépek esetleg hibásnak jelölnek.
• A képbesorolás ideális az egészségügyi ágazat számára. A képbesorolás segít észlelni a csontrepedéseket, a rák különböző típusait és a szövetek rendellenességeit. Képbesorolást is használhat a betegség jelenlétére utaló szabálytalanságok megjelölésére. A képbesorolási modell javíthatja az MRI-k pontosságát.
• A mezőgazdasági területen a képbesorolási megoldások segítenek azonosítani a vizet igénylő növénybetegségeket és növényeket. Ennek eredményeképpen a képbesorolás segít csökkenteni az emberi beavatkozás szükségességét.

Közreműködők

Ezt a cikket a Microsoft tartja karban. Eredetileg a következő közreműködő írta.

Fő szerző:

• Ashish Chauhan | Vezető megoldástervező

A nem nyilvános LinkedIn-profilok megtekintéséhez jelentkezzen be a LinkedInbe.

További lépések

• A Blob Storage-ról további információt az Azure Blob Storage bemutatása című témakörben talál.
• A Tárolóregisztrációs adatbázisról további információt az Azure-beli tárolóregisztrációs adatbázisok bemutatása című témakörben talál.
• A modellkezeléssel (MLOps) kapcsolatos további információkért lásd: MLOps: Modellkezelés, üzembe helyezés, leállás és monitorozás az Azure Machine Tanulás.
• A SynapseML-ről további információt a Synapse Machine Tanulás című témakörben talál.
• A CNN-ekről szóló szakaszt tartalmazó Microsoft Learn-modul megismeréséhez tekintse meg a mélytanulási modellek betanítása és értékelése című témakört.

Kapcsolódó erőforrások

Vizuális keresés a kiskereskedelemben az Azure Cosmos DB-vel