Visual Deep Computer Vision
Visual Deep Computer Vision
یا اینکه چگونه می توانید الگوریتم های یادگیری عمیق را برای بینایی کامپیوتر بدون داشتن تخصص اجرا کنید.
معمولاً ما با برنامه نویسی عمیق بینایی کامپیوتری را انجام می دهیم ، و یادگیری API های جدید ، برخی از آنها سخت تر از دیگران ، برخی دیگر بسیار ساده هستند مانند Keras یا PyTorch. برای انجام این کار ، باید یادگیری عمیق ، مفاهیم بینایی رایانه ، OpenCV و موارد دیگر را درک کنید. اما یک مسئله وجود دارد.
اگر می خواهید آزمایشات را انجام دهید ، میزان مختلف دوره ها ، پارامترها ، برآوردگران ، بهینه سازها و موارد دیگر را آزمایش کنید. وقتی در حال برنامه نویسی هستید ، همه چیز پیچیده می شود. در اینجا می خواهم یک روش بسیار ساده اما قدرتمند برای انجام بینایی رایانه ای با یادگیری عمیق با پلتفرمی به نام Deep Learning Studio را به شما نشان دهم.
روش جدید
من قبلاً در مورد پلتفرم صحبت کرده ام ، و اگر می خواهید مروری بر کارهایی که می توانید با آن انجام دهید داشته باشید ، این مقالات را ببینید:
اما در اینجا می خواهم سه روش فوق العاده مفید برای استفاده از پلتفرم برای دید عمیق کامپیوتر را به شما نشان دهم.
1. مدل Keras خود را بارگذاری کنید و آن را آموزش دهید
فرض کنید شما مدل Keras خود را در نوت بوک jupyter یا IDE خود ایجاد کرده اید. و می خواهید از تمام قابلیت های پلتفرم استفاده کنید. بسیار ساده است.
آنچه باید انجام دهید این است که به پلت فرم بروید:
و برنامه را راه اندازی کنید (ابتدا باید حساب کاربری ایجاد کنید ، رایگان است btw) وقتی در پلت فرم هستید ، این را خواهید دید:
< p> سپس روی پیکان کلیک کنید تا مدل خود را بارگذاری کنید. ما قصد داریم با یک مدل CIFAR-10 با شبکه های کانولوشن در کراس تلاش کنیم. نکته مهمی در اینجا: مدل باید با Keras 1.2.2 سازگار باشد ، این تنها محدودیتی است که ما در حال حاضر داریم. ما قصد داریم مدل ایجاد شده توسط همکاری را بارگذاری کنیم ، می توانید در اینجا به آن دسترسی پیدا کنید: < /p>
اگر می خواهید آن را از اینجا کپی کنید: Theano را انتخاب کنید.
بعدکه پروژه جدیدی با نام فایل پایتون ایجاد می شود. سپس بر روی Open کلیک کنید و خواهید دید:
در بخش داده ها cifar-10-public را انتخاب کنید تا بتوانید مدل را آموزش دهید. Btw ، اگر می خواهید مدل دیگری را تربیت کنید ، می توانید مجموعه داده یا تصاویر خود را بارگذاری کنید.
حال اگر روی برگه Model کلیک کنید ، نمای تصویری از کدی را که بارگذاری کرده اید مشاهده خواهید کرد:
می توانید با آن بازی کرده و گزینه های مختلف را مشاهده کنید. در آنجا می توانید Hyperparameters خود را تغییر دهید و البته مدل را آموزش دهید.
من از این پیکربندی برای Hyperparameters استفاده می کنم:
سپس می روید و مدل خود را آموزش می دهید. در ویدئوی زیر می توانید نحوه استفاده از برگه آموزش برای مشکلات مختلف را مشاهده کنید:
2. تبدیل کد Keras به Tensorflow ، Pytorch ، MXNet و موارد دیگر
گاهی مدیر یا شرکت شما از شما می خواهد که الگوریتم های یادگیری عمیق خود را در چارچوب های مختلف برنامه ریزی کنید. اگر وقت ندارید X تعداد API های جدید را با پلتفرم یاد بگیرید ، می توانید کد Keras خود را به راحتی به چارچوب های مختلف تبدیل کنید.
در برگه Model ، فقط روی دکمه <> کلیک کنید ، و خواهید دید:
در گزینه های موجود می توانید مدل خود را در چارچوب های مختلف تهیه کنید: ">
Tensorflow:
< p> و می توانید همه این موارد را به صورت رایگان دریافت کنید. حتی می توانید نسخه دسکتاپ را بارگیری کرده و از GPU های خود استفاده کنید ، آن را در اینجا ببینید: 3. مدل های خود را به عنوان سرویس های وب یا REST API ها مستقر کنید:
داشتن دکمه جادویی استقرار مدل های شما عالی خواهد بود. هنگامی که ساخت مدل های خود را به پایان می رسانید ، متأسفانه اغلب اوقات برای همیشه بر روی رایانه شما باقی می ماند. این فقط غم انگیز است تصور کنید یک نقاش نتواند شاهکار خود را به کسی نشان دهد.
با قابلیت های کاربردی DLS ، می توانید مدل خود را در عمل ببینید ، هم برای شما و هم برای دیگران.
بیایید ببینیم چگونه این کار را انجام دهیم.
وقتی در حال ساخت آزمایش های خود هستید ، نام آنها را قرار دهید. من از یک مدل بهینه شده توسط SGD ، به نام sgd-2 (این فقط یک نام است) استفاده خواهم کرد:
در برگه Inference/Deploy ، روی Deploy کلیک کنید:
اجرا را انتخاب کنید ، نام سرویس را ایجاد کنید و سپس انتخاب کنید که می خواهید با نمونه ای که استفاده می کنید یا نمونه ای از راه دور به کار گرفته شود.
< img src = "https://cdn-images-1.medium.com/max/426/1*uwGCZoXSnGy4u8owvb_dQA.png">اگر این کار را انجام دهید ، اطلاعات بیشتری از شما می پرسد. من فقط با استفاده از نمونه ابری خود مستقر می شوم:
پس از آن ، چیزی شبیه به این را مشاهده خواهید کرد:
اگر به خاطر دارید مجموعه داده CIFAR-10 شامل 60000 تصویر رنگی 32x32 در 10 کلاس است. کلاس ها شامل هواپیما ، ماشین ، پرنده ، گربه ، گوزن ، سگ ، قورباغه ، اسب ، کشتی و کامیون است. بنابراین بیایید تصویری از هواپیما را بارگذاری کنیم تا ببینیم آیا مدل آن را تشخیص می دهد یا خیر. من از این تصویر یک کشتی استفاده خواهم کرد:
http: //www .seatrade-cruise.com/media/k2/items/cache/3356e0cd9331018e19a8cee016f484a2_XL.jpg به یاد داشته باشید که در مدل ما کشتی ها کلاس 8 هستند. بنابراین من فقط روی پنل بارگذاری کلیک می کنم:
< p> ضربه بزنید و ما می بینیم: 
< p> و شما آن را دارید! مدل بینایی رایانه ای شما با یادگیری عمیق به کار گرفته شده استفوق العاده آسان! نتیجه گیری
زندگی آنقدر سخت است که آن را دشوارتر کند. هر گزینه ای که ما برای ساده تر کردن آن باید انتخاب کنیم ، باید آن را انتخاب کنیم ، و اگر شما برنامه نویس ، دانشمند داده ، مهندس یادگیری ماشین یا چیزی مشابه هستید ، می توانم به شما اطمینان دهم که برخی از قسمت هایی که در اینجا نشان دادم ، تلاش شما را روز به روز بیشتر می کند. روز.
با استفاده از این ابزارها می توانید به آسانی مشکلات بینایی رایانه خود (و بسیاری دیگر) را با اطمینان آزمایش ، آزمایش و استقرار دهید. امیدوارم در این مورد ارزش پیدا کرده باشید.
بعداً مثالهای بیشتری در موضوعات مختلف اضافه خواهم کرد :)