Diese Seite wurde von der Cloud Translation API übersetzt.

Bild-Labeling-Modell mit AutoML Vision Edge trainieren

Um ein Bild-Labeling-Modell zu trainieren, stellen Sie AutoML Vision Edge mit einer Reihe von Bilder und entsprechende Labels. AutoML Vision Edge verwendet dieses Dataset zum Trainieren eines neuen Modell in der Cloud, das Sie für die On-Device-Bildbeschriftung in Ihrem (In der Übersicht finden Sie allgemeine Informationen zu diese Funktion nutzen.)

AutoML Vision Edge ist ein Cloud-Dienst. Die Nutzung des Dienstes unterliegt den Lizenzvereinbarung für die Google Cloud Platform und dienstspezifische Nutzungsbedingungen, und werden entsprechend abgerechnet. Informationen zur Abrechnung finden Sie in der AutoML-Dokumentation. Preise Seite.

Hinweis

Wenn Sie noch kein Firebase- oder Google Cloud-Projekt haben, erstellen Sie eines in Firebase-Konsole.
Machen Sie sich mit den Richtlinien im Leitfaden zu inklusivem ML – AutoML vertraut.
Wenn Sie AutoML Vision Edge nur ausprobieren möchten und kein eigenes Training haben Daten, laden Sie ein Beispiel-Dataset herunter, z. B.:
- Offizielles Blumenbild-Beispiel-Dataset von TensorFlow
- Dieses Dataset zum Alphabet der US-amerikanischen Gebärdensprache (American Sign Language, ASL)
Weitere Datasets finden Sie auf Kaggle.

1. Trainingsdaten zusammenstellen

Zuerst müssen Sie ein Trainings-Dataset mit Bildern mit Labels zusammenstellen. Beachten Sie dabei die folgenden Richtlinien:

Die Bilder müssen in einem der folgenden Formate vorliegen: JPEG, PNG, GIF, BMP, ICO.
Jedes Bild darf maximal 30 MB groß sein. Beachten Sie, dass AutoML Vision Edge während der Vorverarbeitung der meisten Bilder, sodass die Genauigkeit sehr hochauflösende Bilder liefern.
Geben Sie mindestens 10, vorzugsweise 100 oder mehr Beispiele jedes Labels an.
Geben Sie für jedes Label mehrere Blickwinkel, Auflösungen und Hintergründe an.
Die Trainingsdaten sollten den Daten, für die Vorhersagen getroffen werden sollen, möglichst ähnlich sein. Wenn Ihr Anwendungsfall beispielsweise verschwommene Bilder mit niedriger Auflösung (etwa von einer Überwachungskamera) beinhaltet, sollten Ihre Trainingsdaten aus verschwommenen Bildern mit niedriger Auflösung bestehen.
Die von AutoML Vision Edge generierten Modelle sind für Fotos von in der realen Welt zu schaffen. Für Röntgenaufnahmen, Handzeichnungen gescannte Dokumente, Belege usw.

Außerdem können die Modelle in der Regel keine Labels vorhersagen, die von Menschen nicht zugewiesen werden können. Also: Wenn ein Mensch keine Beschriftungen zuweisen kann, indem er das Bild 1 bis 2 Sekunden lang ansieht, kann Ihr Modell wahrscheinlich auch nicht trainieren.

Wenn Ihre Trainingsbilder fertig sind, bereiten Sie sie für den Import in Firebase vor. Sie haben drei Möglichkeiten:

Option 1: Strukturiertes ZIP-Archiv

Organisieren Sie Ihre Trainingsbilder in Verzeichnissen, die jeweils nach einem Label und mit Bildern, die Beispiele für dieses Label sind. Komprimieren Sie dann die Verzeichnisstruktur in einem ZIP-Archiv.

Die Verzeichnisnamen in diesem ZIP-Archiv dürfen maximal 32 ASCII-Zeichen lang sein und nur alphanumerische Zeichen und den Unterstrich (_) enthalten.

Beispiel:

my_training_data.zip
  |____accordion
  | |____001.jpg
  | |____002.jpg
  | |____003.jpg
  |____bass_guitar
  | |____hofner.gif
  | |____p-bass.png
  |____clavier
    |____well-tempered.jpg
    |____well-tempered (1).jpg
    |____well-tempered (2).jpg

Option 2: Cloud Storage mit CSV-Index

Laden Sie Ihre Trainingsbilder in Google Cloud Storage hoch und erstellen Sie eine CSV-Datei mit der URL jedes Bildes und optional den richtigen Labels für jedes Bild. Diese Option ist nützlich, wenn Sie sehr große Datasets.

Laden Sie beispielsweise Ihre Bilder auf Cloud Storage hoch und bereiten Sie eine CSV-Datei wie Folgendes:

gs://your-training-data-bucket/001.jpg,accordion
gs://your-training-data-bucket/002.jpg,accordion
gs://your-training-data-bucket/003.jpg,accordion
gs://your-training-data-bucket/hofner.gif,bass_guitar
gs://your-training-data-bucket/p-bass.png,bass_guitar
gs://your-training-data-bucket/well-tempered.jpg,clavier
gs://your-training-data-bucket/well-tempered%20(1).jpg,clavier
gs://your-training-data-bucket/well-tempered%20(2).jpg,clavier

Die Images müssen in einem Bucket gespeichert sein, der zur entsprechendes Google Cloud-Projekt.

Siehe Trainingsdaten vorbereiten in der Cloud AutoML Vision-Dokumentation mit weiteren Informationen zum Vorbereiten der CSV-Datei.

Option 3: Bilder ohne Label

Fügen Sie den Trainingsbildern in der Firebase-Konsole Labels hinzu, nachdem Sie sie hochgeladen haben. entweder einzeln oder als unstrukturierte ZIP-Datei. Fahren Sie mit dem nächsten Schritt fort.

2. Modell trainieren

Als Nächstes trainieren Sie ein Modell mit Ihren Bildern:

Öffnen Sie die Vision-Datasets. in der Google Cloud-Konsole. Wählen Sie Ihr Projekt aus, wenn Sie dazu aufgefordert werden.
Klicken Sie auf Neues Dataset, geben Sie einen Namen für das Dataset an und wählen Sie das Sie trainieren möchten, und klicken Sie auf Dataset erstellen.
Laden Sie auf dem Tab Importieren des Datasets ein ZIP-Archiv Trainingsbilder oder eine CSV-Datei mit den Cloud Storage Standorten, in die sie hochgeladen wurden. Weitere Informationen finden Sie unter Trainingsdaten zusammenstellen.
Überprüfen Sie nach Abschluss des Importvorgangs auf dem Tab Images (Bilder) die Trainingsdaten und fügen Sie allen Bildern ohne Label ein Label hinzu.

Klicken Sie auf dem Tab Trainieren auf Training starten.

Geben Sie dem Modell einen Namen und wählen Sie den Modelltyp Edge aus.

Konfigurieren Sie die folgenden Trainingseinstellungen, die die Leistung steuern des generierten Modells:

Modell optimieren für…

Die zu verwendende Modellkonfiguration. Sie können schnellere, kleinere Modelle trainieren, wenn eine geringe Latenz oder eine kleine Paketgröße wichtig sind, oder langsamere, größere Modelle, wenn die Genauigkeit am wichtigsten ist.

Knotenstundenbudget

Die maximale Zeit in Rechenstunden, die für das Training des Modells aufgewendet werden soll. Mehr Trainingszeit führt im Allgemeinen zu einer genaueren modellieren.

Das Training kann in weniger als der angegebenen wenn das System feststellt, dass das Modell optimiert ist, zusätzliche Schulungen die Genauigkeit nicht verbessern würden. Ihnen werden nur die tatsächlich genutzten Stunden in Rechnung gestellt.

Typische Trainingszeiten
Sehr kleine Sets	1 Stunde
500 Bilder	2 Stunden
1.000 Bilder	3 Stunden
5.000 Bilder	6 Stunden
10.000 Bilder	7 Stunden
50.000 Bilder	11 Stunden
100.000 Bilder	13 Stunden
1.000.000 Bilder	18 Stunden

3. Modell bewerten

Nach Abschluss des Trainings können Sie auf den Tab Bewerten klicken, sehen Sie sich die Leistungsmesswerte für das Modell an.

Diese Seite hilft Ihnen, den Konfidenzgrenzwert zu ermitteln, für Ihr Modell am besten geeignet ist. Der Konfidenzgrenzwert ist das minimale Vertrauen, das das Modell haben muss, um einem Bild ein Label zuzuweisen. Indem Sie den Konfidenzgrenzwert verschieben können Sie sehen, wie sich unterschiedliche Schwellenwerte auf die Leistung des Modells auswirken. Die Modellleistung wird anhand von zwei Messwerten gemessen: Precision und Recall.

Im Kontext der Bildklassifizierung ist Precision das Verhältnis der Zahl von Bildern, die korrekt mit der Anzahl der Bilder beschriftet wurden, die vom Modell mit einem Label versehen wurden. unter Berücksichtigung des ausgewählten Schwellenwerts. Wenn ein Modell eine hohe Genauigkeit hat, weist es Labels werden seltener falsch (weniger falsch positive Ergebnisse) angezeigt.

Trefferquote ist das Verhältnis der Anzahl der Bilder, die korrekt mit dem Label Anzahl der Bilder mit Inhalten, die das Modell hätte kennzeichnen können sollen. Wann? ein Modell eine hohe Trefferquote hat, weist es keine Beschriftungen seltener zu (weniger auszuschließende Keywords).

Ob Sie die Genauigkeit oder die Trefferquote optimieren, hängt von Ihrem Anwendungsfall ab. Weitere Informationen finden Sie unter für die AutoML Vision-Einsteiger Leitfaden und die Weitere Informationen finden Sie im Leitfaden zu inklusivem ML – AutoML.

Wenn Sie einen Konfidenzgrenzwert mit Messwerten finden, mit denen Sie vertretbar sind, notieren Sie es sich. konfigurieren Sie mithilfe des Konfidenzgrenzwerts Sie können dieses Tool jederzeit verwenden, um einen angemessenen Grenzwert zu ermitteln.

4. Modell veröffentlichen oder herunterladen

Wenn Sie mit der Leistung des Modells zufrieden sind und es in einer App verwenden möchten, haben Sie drei Möglichkeiten, aus denen Sie eine beliebige Kombination auswählen können: das Modell für Onlinevorhersagen bereitstellen, das Modell in Firebase veröffentlichen oder das Modell herunterladen und mit Ihrer App bündeln.

Modell bereitstellen

Auf der Registerkarte Test & Verwenden können Sie Ihr Modell online bereitstellen. Vorhersage, die Ihr Modell in der Cloud ausführt. Diese Option wird im Cloud AutoML-Dokumentation Die die anderen beiden Optionen behandelt.

Modell veröffentlichen

Wenn Sie das Modell in Firebase veröffentlichen, können Sie es aktualisieren, ohne eine neue App-Version zu veröffentlichen. Mit Remote Config und A/B Testing können Sie unterschiedliche Modelle dynamisch für unterschiedliche Nutzergruppen bereitstellen.

Wenn Sie das Modell nur durch das Hosting mit Firebase und nicht mit Ihrer App bündeln, können Sie die anfängliche Downloadgröße Ihrer App reduzieren. Wenn das Modell nicht in Ihrer App enthalten ist, modellbezogene Funktionen sind erst verfügbar, wenn Ihre App die um ein neues Modell zu erstellen.

Zum Veröffentlichen Ihres Modells haben Sie zwei Möglichkeiten:

Laden Sie das TF Lite-Modell von der Seite Testen und verwenden Ihres Datasets in der Google Cloud-Konsole herunter und laden Sie es dann auf der Seite Benutzerdefiniertes Modell der Firebase-Konsole hoch. Das ist in der Regel die einfachste Möglichkeit, ein einzelnes Modell zu veröffentlichen.
Veröffentlichen Sie das Modell direkt aus Ihrem Google Cloud-Projekt in Firebase mithilfe von des Admin SDK. Sie können diese Methode verwenden, um mehrere Modelle im Batch zu veröffentlichen oder beim Erstellen automatisierter Veröffentlichungspipelines.

So veröffentlichen Sie das Modell mit der Model Management API des Admin SDK:

Installieren und initialisieren Sie das SDK.

Veröffentlichen Sie das Modell.

Sie müssen die Ressourcenkennung des Modells angeben. Diese ist ein String. Das sieht in etwa so aus:

projects/PROJECT_NUMBER/locations/us-central1/models/MODEL_ID

`PROJECT_NUMBER`	Die Projektnummer des Cloud Storage-Buckets, der den modellieren. Das kann Ihr Firebase-Projekt oder ein anderes Google Cloud-Projekt sein. Diesen Wert finden Sie auf der Seite „Einstellungen“ der Firebase-Konsole oder das Google Cloud-Dashboard der Konsole.
`MODEL_ID`	Die Modell-ID, die Sie von der AutoML Cloud API erhalten haben.

Python

# First, import and initialize the SDK.

# Get a reference to the AutoML model
source = ml.TFLiteAutoMlSource('projects/{}/locations/us-central1/models/{}'.format(
    # See above for information on these values.
    project_number,
    model_id
))

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you will use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
new_model.wait_for_unlocked()
ml.publish_model(new_model.model_id)

Node.js

// First, import and initialize the SDK.

(async () => {
  // Get a reference to the AutoML model. See above for information on these
  // values.
  const automlModel = `projects/${projectNumber}/locations/us-central1/models/${modelId}`;

  // Create the model object and add the model to your Firebase project.
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { automlModel: automlModel },
  });

  // Wait for the model to be ready.
  await model.waitForUnlocked();

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

Modell herunterladen und mit Ihrer App verknüpfen

Wenn Sie Ihr Modell mit Ihrer App bündeln, können Sie dafür sorgen, dass die ML-Features Ihrer App funktionieren auch, wenn das von Firebase gehostete Modell nicht verfügbar ist.

Wenn Sie sowohl das Modell veröffentlichen als auch mit Ihrer App bündeln, verwendet die App das Modell aktuelle Version verfügbar.

Klicken Sie auf der Seite Testen und verwenden des Datasets auf TF Lite, um das Modell herunterzuladen.

Nächste Schritte

Nachdem Sie das Modell veröffentlicht oder heruntergeladen haben, erfahren Sie hier, wie Sie es in Ihren iOS- und Android-Apps verwenden.