솔루션 아이디어
이 문서는 솔루션 아이디어입니다. 잠재적인 사용 사례, 대체 서비스, 구현 고려 사항 또는 가격 책정 지침과 같은 추가 정보로 콘텐츠를 확장하려면 GitHub 피드백을 제공하여 알려주세요.
CNN(나선형 신경망)을 사용하여 대량의 이미지를 효율적으로 분류하고 이미지의 요소를 식별합니다.
아키텍처
이 아키텍처의 Visio 파일을 다운로드합니다.
데이터 흐름
- Azure Blob Storage에 대한 이미지 업로드는 Azure Machine Learning에 의해 수집됩니다.
- 솔루션은 지도 학습 접근 방식을 따르고 모델을 학습하기 위해 데이터 레이블 지정이 필요하기 때문에 Machine Learning에서 수집된 이미지에 레이블이 지정됩니다.
- CNN 모델은 Machine Learning Notebook에서 학습되고 유효성이 검사됩니다. 미리 학습된 여러 이미지 분류 모델을 사용할 수 있습니다. 전이 학습 접근 방식을 사용하여 모델을 사용할 수 있습니다. 미리 학습된 CNN의 몇 가지 변형에 대한 자세한 내용은 나선형 신경망을 사용한 이미지 분류의 향상된 기능을 참조하세요. 이러한 이미지 분류 모델을 다운로드하고 레이블이 지정된 데이터로 사용자 지정할 수 있습니다.
- 학습 후 모델은 Machine Learning의 모델 레지스트리에 저장됩니다.
- 모델은 일괄 처리 관리 엔드포인트를 통해 배포됩니다.
- 모델 결과는 Azure Cosmos DB에 기록되고 프런트 엔드 애플리케이션을 통해 소비됩니다.
구성 요소
- Blob Storage는 Azure Storage에 포함된 서비스입니다. Blob Storage는 대량의 비정형 데이터에 최적화된 클라우드 개체 스토리지를 제공합니다.
- Machine Learning은 기계 학습 모델을 학습, 배포, 자동화, 관리 및 추적할 수 있는 클라우드 기반 환경입니다. 이러한 모델을 사용하면 미래의 동작, 결과 및 추세를 예측할 수 있습니다.
- Azure Cosmos DB는 전 세계에 배포된 다중 모델 데이터베이스입니다. Azure Cosmos DB를 사용하면 솔루션에서 여러 지리적 지역에 걸쳐 탄력적으로 처리량과 스토리지의 크기를 조정할 수 있습니다.
- Azure Container Registry는 컨테이너 이미지를 빌드, 저장 및 관리하고 컨테이너화된 기계 학습 모델을 저장할 수 있습니다.
시나리오 정보
IoT(사물 인터넷) 및 AI와 같은 기술의 등장으로 전 세계에서 많은 양의 데이터를 생성하고 있습니다. 데이터에서 관련 정보를 추출하는 것이 주요 과제가 되었습니다. 이미지 분류는 이미지가 무엇을 나타내는지 식별하는 관련 솔루션입니다. 이미지 분류를 통해 대량의 이미지를 분류할 수 있습니다. CNN(나선형 신경망)은 이미지 데이터 세트에 대해 우수한 성능을 렌더링합니다. CNN은 최첨단 이미지 분류 솔루션 개발에 중요한 역할을 했습니다.
CNN에는 세 가지 주요 레이어 유형이 있습니다.
- 나선형 레이어
- 풀링 계층
- 완전 연결 계층
나선형 레이어는 나선형 신경망의 첫 번째 레이어입니다. 이 레이어는 다른 나선형 레이어 또는 풀링 레이어 다음에 나올 수 있습니다. 일반적으로 완전히 연결된 레이어가 신경망의 최종 레이어입니다.
레이어 수가 증가함에 따라 모델의 복잡성이 증가하고 모델이 이미지의 많은 부분을 식별할 수 있습니다. 시작 레이어는 가장자리와 같은 단순한 기능에 중점을 줍니다. 이미지 데이터가 CNN 레이어를 통해 진행됨에 따라 신경망은 개체에서 보다 정교한 요소 또는 셰이프를 인식하기 시작합니다. 마지막으로 예상된 개체를 식별합니다.
잠재적인 사용 사례
- 이 솔루션은 오류 감지를 자동화하는 데 도움이 될 수 있으며, 인간 운영자에게만 의존하는 것보다 낫습니다. 예를 들어 이 솔루션은 결함이 있는 전자 부품을 식별하여 생산성을 높일 수 있습니다. 이 기능은 린 제조, 비용 제어 및 제조 시 폐기물 감소에 중요합니다. 회로 기판 제조에서 결함이 있는 보드는 제조업체의 비용을 늘리고 생산성을 저하시킬 수 있습니다. 조립 라인은 조립 라인 테스트 기계에 의해 잠재적으로 결함이 있는 것으로 플래그가 지정된 보드를 신속하게 검토하고 검증하는 것을 인간 운영자에게 의존합니다.
- 이미지 분류는 의료 업계에 이상적입니다. 이미지 분류는 뼈 균열, 다양한 유형의 암 및 조직 이상을 감지하는 데 도움이 됩니다. 이미지 분류를 사용하여 질병의 존재를 나타낼 수 있는 불규칙성에 플래그를 지정할 수도 있습니다. 이미지 분류 모델은 MRI의 정확도를 향상시킬 수 있습니다.
- 농업 분야에서 이미지 분류 솔루션은 식물 질병과 물이 필요한 식물을 식별하는 데 도움이 됩니다. 결과적으로 이미지 분류는 인간이 개입할 필요성을 줄이는 데 도움이 됩니다.
참가자
Microsoft에서 이 문서를 유지 관리합니다. 이 문서를 처음에 작성한 기여자는 다음과 같습니다.
보안 주체 작성자:
- Ashish Chauhan | 선임 솔루션 설계자
비공개 LinkedIn 프로필을 보려면 LinkedIn에 로그인하세요.
다음 단계
- Blob Storage에 대한 자세한 내용은 Azure Blob Storage 소개를 참조하세요.
- Container Registry에 대한 자세한 내용은 Azure의 컨테이너 레지스트리 소개를 참조하세요.
- MLOps(모델 관리)에 대한 자세한 내용은 MLOps: Azure Machine Learning을 사용하여 모델 관리, 배포, 계보 및 모니터링을 참조하세요.
- SynapseML에 대한 자세한 내용은 Synapse Machine Learning을 참조 하세요.
- CNN에 대한 섹션이 포함된 Microsoft Learn 모듈을 살펴보려면 딥 러닝 모델 학습 및 평가를 참조하세요.