Ide solusi
Artikel ini adalah ide solusi. Jika Anda ingin kami memperluas konten dengan informasi lebih lanjut, seperti potensi kasus penggunaan, layanan alternatif, pertimbangan implementasi, atau panduan harga, beri tahu kami dengan memberikan umpan balik GitHub.
Gunakan jaringan saraf konvolusional (CN) untuk mengklasifikasikan gambar dalam volume besar secara efisien untuk mengidentifikasi elemen dalam gambar.
Arsitektur
Unduh file Visio arsitektur ini.
Aliran data
- Unggahan gambar ke Azure Blob Storage diserap oleh Azure Pembelajaran Mesin.
- Karena solusinya mengikuti pendekatan pembelajaran yang diawasi dan membutuhkan pelabelan data untuk melatih model, gambar yang diserap diberi label dalam Pembelajaran Mesin.
- Model CNN dilatih dan divalidasi di buku catatan Pembelajaran Mesin. Beberapa model klasifikasi gambar yang telah dilatih sebelumnya tersedia. Anda dapat menggunakannya dengan menggunakan pendekatan pembelajaran transfer. Untuk informasi tentang beberapa varian CN yang telah dilatih sebelumnya, lihat Kemajuan dalam klasifikasi gambar menggunakan jaringan neural konvolusional. Anda dapat mengunduh model klasifikasi gambar ini dan menyesuaikannya dengan data berlabel Anda.
- Setelah pelatihan, model disimpan dalam registri model di Pembelajaran Mesin.
- Model ini disebarkan melalui titik akhir terkelola batch.
- Hasil model ditulis ke Azure Cosmos DB dan dikonsumsi melalui aplikasi front-end.
Komponen
- Blob Storage adalah layanan yang merupakan bagian dari Azure Storage. Blob Storage menawarkan penyimpanan objek cloud yang dioptimalkan untuk sejumlah besar data tidak terstruktur.
- Pembelajaran Mesin adalah lingkungan berbasis cloud yang dapat Anda gunakan untuk melatih, menyebarkan, mengotomatiskan, mengelola, dan melacak model pembelajaran mesin. Anda dapat menggunakan model untuk memperkirakan perilaku, hasil, dan tren di masa mendatang.
- Microsoft Azure Cosmos DB adalah database multi-model yang terdistribusi secara global. Dengan Azure Cosmos DB, solusi Anda dapat secara elastis menskalakan throughput dan penyimpanan di sejumlah wilayah geografis.
- Azure Container Registry membangun, menyimpan, dan mengelola gambar kontainer dan dapat menyimpan model pembelajaran mesin dalam kontainer.
Detail skenario
Dengan munculnya teknologi seperti Internet of Things (IoT) dan AI, dunia menghasilkan data dalam jumlah besar. Mengekstrak informasi yang relevan dari data telah menjadi tantangan utama. Klasifikasi gambar adalah solusi yang relevan untuk mengidentifikasi apa yang diwakili gambar. Klasifikasi gambar dapat membantu Anda mengategorikan gambar dalam volume tinggi. Jaringan neural konvolusional (CN) merender performa yang baik pada himpunan data gambar. CN telah memainkan peran utama dalam pengembangan solusi klasifikasi gambar canggih.
Ada tiga jenis lapisan utama dalam CN:
- Lapisan konvolusional
- Lapisan penggabungan
- Lapisan yang terhubung sepenuhnya
Lapisan konvolusional adalah lapisan pertama dari jaringan konvolusional. Lapisan ini dapat mengikuti lapisan konvolusional atau lapisan pengumpulan lainnya. Secara umum, lapisan yang sepenuhnya terhubung adalah lapisan akhir dalam jaringan.
Ketika jumlah lapisan meningkat, kompleksitas model meningkat, dan model dapat mengidentifikasi bagian gambar yang lebih besar. Lapisan awal berfokus pada fitur sederhana, seperti tepi. Saat data gambar maju melalui lapisan CNN, jaringan mulai mengenali elemen atau bentuk yang lebih canggih dalam objek. Terakhir, ini mengidentifikasi objek yang diharapkan.
Kemungkinan kasus penggunaan
- Solusi ini dapat membantu mengotomatiskan deteksi kegagalan, yang lebih disukai untuk hanya mengandalkan operator manusia. Misalnya, solusi ini dapat meningkatkan produktivitas dengan mengidentifikasi komponen elektronik yang rusak. Kemampuan ini penting untuk manufaktur tanpa lemak, kontrol biaya, dan pengurangan limbah dalam manufaktur. Dalam manufaktur papan sirkuit, papan yang rusak dapat membebani uang dan produktivitas produsen. Garis rakitan mengandalkan operator manusia untuk dengan cepat meninjau dan memvalidasi papan yang ditandai berpotensi rusak oleh mesin uji garis perakitan.
- Klasifikasi gambar sangat ideal untuk industri perawatan kesehatan. Klasifikasi gambar membantu mendeteksi retakan tulang, berbagai jenis kanker, dan anomali dalam jaringan. Anda juga dapat menggunakan klasifikasi gambar untuk menandai penyimpangan yang dapat menunjukkan adanya penyakit. Model klasifikasi gambar dapat meningkatkan akurasi MRI.
- Dalam domain pertanian, solusi klasifikasi gambar membantu mengidentifikasi penyakit tanaman dan tanaman yang membutuhkan air. Akibatnya, klasifikasi gambar membantu mengurangi kebutuhan akan intervensi manusia.
Kontributor
Artikel ini dikelola oleh Microsoft. Ini awalnya ditulis oleh kontributor berikut.
Penulis utama:
- Ashish Chauhan | Arsitek Solusi Senior
Untuk melihat profil LinkedIn non-publik, masuk ke LinkedIn.
Langkah berikutnya
- Untuk mempelajari selengkapnya tentang Blob Storage, lihat Pengenalan Azure Blob Storage.
- Untuk mempelajari selengkapnya tentang Container Registry, lihat Pengenalan registri Kontainer di Azure.
- Untuk mempelajari selengkapnya tentang manajemen model (MLOps), lihat MLOps: Manajemen model, penyebaran, silsilah data, dan pemantauan dengan Azure Pembelajaran Mesin.
- Untuk mempelajari selengkapnya tentang SynapseML, lihat Synapse Pembelajaran Mesin.
- Untuk menjelajahi modul Microsoft Learn yang menyertakan bagian tentang CN, lihat Melatih dan mengevaluasi model pembelajaran mendalam.