43 KiB

Raw Permalink Blame History

ฝึกเครื่องตรวจสอบคุณภาพผลไม้

สเก็ตโน้ตโดย Nitya Narasimhan คลิกที่ภาพเพื่อดูเวอร์ชันขนาดใหญ่

วิดีโอนี้ให้ภาพรวมของบริการ Azure Custom Vision ซึ่งจะครอบคลุมในบทเรียนนี้

🎥 คลิกที่ภาพด้านบนเพื่อดูวิดีโอ

แบบทดสอบก่อนเรียน

บทนำ

การเติบโตอย่างรวดเร็วของปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) กำลังมอบความสามารถหลากหลายให้กับนักพัฒนายุคปัจจุบัน โมเดล ML สามารถฝึกให้รู้จักสิ่งต่าง ๆ ในภาพ เช่น ผลไม้ที่ยังไม่สุก และสามารถนำไปใช้ในอุปกรณ์ IoT เพื่อช่วยคัดแยกผลผลิต ไม่ว่าจะเป็นในระหว่างการเก็บเกี่ยวหรือในกระบวนการแปรรูปในโรงงานหรือคลังสินค้า

ในบทเรียนนี้ คุณจะได้เรียนรู้เกี่ยวกับการจำแนกภาพ - การใช้โมเดล ML เพื่อแยกแยะภาพของสิ่งต่าง ๆ คุณจะได้เรียนรู้วิธีฝึกตัวจำแนกภาพเพื่อแยกแยะผลไม้ที่ดีและผลไม้ที่เสีย เช่น ผลไม้ที่ยังไม่สุก ผลไม้ที่สุกเกินไป ผลไม้ที่ช้ำ หรือผลไม้ที่เน่าเสีย

ในบทเรียนนี้เราจะครอบคลุม:

การใช้ AI และ ML ในการคัดแยกอาหาร

การเลี้ยงดูประชากรโลกเป็นเรื่องยาก โดยเฉพาะในราคาที่ทำให้อาหารเข้าถึงได้สำหรับทุกคน หนึ่งในต้นทุนที่ใหญ่ที่สุดคือแรงงาน ดังนั้นเกษตรกรจึงหันมาใช้ระบบอัตโนมัติและเครื่องมืออย่าง IoT เพื่อลดต้นทุนแรงงาน การเก็บเกี่ยวด้วยมือเป็นงานที่ใช้แรงงานมาก (และมักจะเป็นงานที่หนัก) และกำลังถูกแทนที่ด้วยเครื่องจักร โดยเฉพาะในประเทศที่ร่ำรวยกว่า แม้ว่าการใช้เครื่องจักรในการเก็บเกี่ยวจะช่วยลดต้นทุน แต่ก็มีข้อเสียคือความสามารถในการคัดแยกอาหารในระหว่างการเก็บเกี่ยว

ไม่ใช่พืชผลทุกชนิดจะสุกพร้อมกัน ตัวอย่างเช่น มะเขือเทศอาจยังมีผลสีเขียวบนต้นเมื่อส่วนใหญ่พร้อมสำหรับการเก็บเกี่ยว แม้ว่าการเก็บเกี่ยวผลไม้ที่ยังไม่สุกจะเป็นการสูญเสีย แต่ก็ถูกกว่าและง่ายกว่าสำหรับเกษตรกรที่จะเก็บเกี่ยวทุกอย่างด้วยเครื่องจักรและกำจัดผลผลิตที่ยังไม่สุกในภายหลัง

✅ ลองดูผลไม้หรือผักต่าง ๆ ไม่ว่าจะปลูกใกล้คุณในฟาร์มหรือในสวน หรือในร้านค้า ผลไม้เหล่านั้นสุกพร้อมกันหรือไม่ หรือคุณเห็นความแตกต่างในระดับความสุก?

การเก็บเกี่ยวอัตโนมัติทำให้การคัดแยกผลผลิตย้ายจากการเก็บเกี่ยวไปยังโรงงาน อาหารจะเดินทางบนสายพานลำเลียงยาว ๆ โดยมีทีมงานคัดแยกผลผลิตที่ไม่ได้มาตรฐานคุณภาพที่ต้องการ การเก็บเกี่ยวด้วยเครื่องจักรช่วยลดต้นทุน แต่ยังมีค่าใช้จ่ายในการคัดแยกอาหารด้วยมือ

วิวัฒนาการต่อมาคือการใช้เครื่องจักรในการคัดแยก ไม่ว่าจะติดตั้งในเครื่องเก็บเกี่ยวหรือในโรงงานแปรรูป เครื่องจักรรุ่นแรกเหล่านี้ใช้เซ็นเซอร์แสงในการตรวจจับสี ควบคุมตัวกระตุ้นเพื่อผลักมะเขือเทศสีเขียวลงถังขยะโดยใช้คันโยกหรือแรงลม ทิ้งมะเขือเทศสีแดงไว้บนสายพานลำเลียง

ในวิดีโอนี้ เมื่อมะเขือเทศตกจากสายพานลำเลียงหนึ่งไปยังอีกสายพาน เซ็นเซอร์แสงจะตรวจจับมะเขือเทศสีเขียวและดีดลงถังขยะโดยใช้คันโยก

✅ คุณต้องมีเงื่อนไขอะไรในโรงงานหรือในทุ่งนาเพื่อให้เซ็นเซอร์แสงเหล่านี้ทำงานได้อย่างถูกต้อง?

วิวัฒนาการล่าสุดของเครื่องจักรคัดแยกเหล่านี้ใช้ประโยชน์จาก AI และ ML โดยใช้โมเดลที่ฝึกให้แยกแยะผลผลิตที่ดีจากผลผลิตที่เสีย ไม่ใช่แค่ความแตกต่างของสีที่ชัดเจน เช่น มะเขือเทศสีเขียวกับสีแดง แต่ยังรวมถึงความแตกต่างที่ละเอียดอ่อนในลักษณะที่สามารถบ่งบอกถึงโรคหรือรอยช้ำ

การจำแนกภาพผ่านการเรียนรู้ของเครื่อง

การเขียนโปรแกรมแบบดั้งเดิมคือการที่คุณนำข้อมูลมาใช้กับอัลกอริทึมและได้ผลลัพธ์ ตัวอย่างเช่น ในโครงการที่แล้ว คุณนำพิกัด GPS และ geofence มาใช้กับอัลกอริทึมที่ Azure Maps ให้มา และได้ผลลัพธ์ว่า จุดนั้นอยู่ภายในหรือภายนอก geofence คุณป้อนข้อมูลมากขึ้น คุณก็ได้ผลลัพธ์มากขึ้น

การเรียนรู้ของเครื่องเปลี่ยนกระบวนการนี้ - คุณเริ่มต้นด้วยข้อมูลและผลลัพธ์ที่ทราบ และอัลกอริทึมการเรียนรู้ของเครื่องจะเรียนรู้จากข้อมูลนั้น จากนั้นคุณสามารถนำอัลกอริทึมที่ฝึกแล้ว ซึ่งเรียกว่า โมเดลการเรียนรู้ของเครื่อง หรือ โมเดล และป้อนข้อมูลใหม่เพื่อให้ได้ผลลัพธ์ใหม่

🎓 กระบวนการที่อัลกอริทึมการเรียนรู้ของเครื่องเรียนรู้จากข้อมูลเรียกว่า การฝึก ข้อมูลที่ป้อนและผลลัพธ์ที่ทราบเรียกว่า ข้อมูลการฝึก

ตัวอย่างเช่น คุณสามารถให้โมเดลภาพถ่ายนับล้านของกล้วยที่ยังไม่สุกเป็นข้อมูลการฝึก โดยตั้งผลลัพธ์การฝึกเป็น ยังไม่สุก และภาพถ่ายนับล้านของกล้วยที่สุกเป็นข้อมูลการฝึก โดยตั้งผลลัพธ์เป็น สุก อัลกอริทึม ML จะสร้างโมเดลจากข้อมูลนี้ จากนั้นคุณสามารถให้โมเดลนี้ภาพถ่ายใหม่ของกล้วย และมันจะทำนายว่าภาพถ่ายใหม่นั้นเป็นกล้วยที่สุกหรือยังไม่สุก

🎓 ผลลัพธ์ของโมเดล ML เรียกว่า การทำนาย

โมเดล ML ไม่ได้ให้คำตอบแบบไบนารี แต่ให้ความน่าจะเป็น ตัวอย่างเช่น โมเดลอาจได้รับภาพถ่ายของกล้วยและทำนายว่า สุก ที่ 99.7% และ ยังไม่สุก ที่ 0.3% โค้ดของคุณจะเลือกการทำนายที่ดีที่สุดและตัดสินว่ากล้วยนั้นสุก

โมเดล ML ที่ใช้ตรวจจับภาพแบบนี้เรียกว่า ตัวจำแนกภาพ - มันได้รับภาพที่มีป้ายกำกับ และจำแนกภาพใหม่ตามป้ายกำกับเหล่านี้

💁 นี่เป็นการอธิบายแบบง่าย ๆ และยังมีวิธีอื่น ๆ ในการฝึกโมเดลที่ไม่จำเป็นต้องมีผลลัพธ์ที่มีป้ายกำกับ เช่น การเรียนรู้แบบไม่มีผู้ควบคุม หากคุณต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ ML ลองดู ML for beginners, หลักสูตร 24 บทเรียนเกี่ยวกับการเรียนรู้ของเครื่อง

ฝึกตัวจำแนกภาพ

เพื่อฝึกตัวจำแนกภาพให้สำเร็จ คุณต้องมีภาพนับล้าน อย่างไรก็ตาม เมื่อคุณมีตัวจำแนกภาพที่ฝึกด้วยภาพหลากหลายล้านหรือพันล้านภาพ คุณสามารถนำมาใช้ซ้ำและฝึกใหม่ด้วยชุดภาพขนาดเล็กและได้ผลลัพธ์ที่ดี โดยใช้กระบวนการที่เรียกว่า การเรียนรู้แบบถ่ายโอน

🎓 การเรียนรู้แบบถ่ายโอนคือการถ่ายโอนการเรียนรู้จากโมเดล ML ที่มีอยู่ไปยังโมเดลใหม่ตามข้อมูลใหม่

เมื่อตัวจำแนกภาพได้รับการฝึกสำหรับภาพหลากหลายประเภทแล้ว ส่วนภายในของมันจะดีเยี่ยมในการจดจำรูปร่าง สี และลวดลาย การเรียนรู้แบบถ่ายโอนช่วยให้โมเดลนำสิ่งที่มันเรียนรู้ในการจดจำส่วนต่าง ๆ ของภาพมาใช้เพื่อจดจำภาพใหม่

คุณสามารถคิดว่านี่เหมือนกับหนังสือรูปร่างสำหรับเด็ก ที่เมื่อคุณสามารถจดจำครึ่งวงกลม สี่เหลี่ยมผืนผ้า และสามเหลี่ยม คุณสามารถจดจำเรือใบหรือแมวได้ขึ้นอยู่กับการจัดเรียงของรูปร่างเหล่านี้ ตัวจำแนกภาพสามารถจดจำรูปร่าง และการเรียนรู้แบบถ่ายโอนจะสอนมันว่าการจัดเรียงแบบใดสร้างเรือหรือแมว - หรือกล้วยที่สุก

มีเครื่องมือหลากหลายที่สามารถช่วยคุณทำสิ่งนี้ รวมถึงบริการบนคลาวด์ที่สามารถช่วยคุณฝึกโมเดล จากนั้นใช้มันผ่าน API บนเว็บ

💁 การฝึกโมเดลเหล่านี้ต้องใช้พลังคอมพิวเตอร์มาก โดยปกติผ่านหน่วยประมวลผลกราฟิก หรือ GPU ฮาร์ดแวร์เฉพาะทางเดียวกันที่ทำให้เกมบน Xbox ของคุณดูน่าทึ่งสามารถใช้ฝึกโมเดลการเรียนรู้ของเครื่องได้เช่นกัน ด้วยการใช้คลาวด์ คุณสามารถเช่าคอมพิวเตอร์ทรงพลังที่มี GPU เพื่อฝึกโมเดลเหล่านี้ โดยเข้าถึงพลังคอมพิวเตอร์ที่คุณต้องการเพียงช่วงเวลาที่คุณต้องการ

Custom Vision

Custom Vision เป็นเครื่องมือบนคลาวด์สำหรับฝึกตัวจำแนกภาพ มันช่วยให้คุณฝึกตัวจำแนกโดยใช้ภาพเพียงจำนวนเล็กน้อย คุณสามารถอัปโหลดภาพผ่านพอร์ทัลเว็บ API หรือ SDK โดยให้แต่ละภาพมี แท็ก ที่เป็นการจำแนกภาพนั้น จากนั้นคุณฝึกโมเดลและทดสอบเพื่อดูว่ามันทำงานได้ดีแค่ไหน เมื่อคุณพอใจกับโมเดลแล้ว คุณสามารถเผยแพร่เวอร์ชันของมันที่สามารถเข้าถึงได้ผ่าน API บนเว็บหรือ SDK

💁 คุณสามารถฝึกโมเดล Custom Vision ด้วยภาพเพียง 5 ภาพต่อการจำแนก แต่ยิ่งมีมากยิ่งดี คุณจะได้ผลลัพธ์ที่ดีกว่าด้วยภาพอย่างน้อย 30 ภาพ

Custom Vision เป็นส่วนหนึ่งของเครื่องมือ AI จาก Microsoft ที่เรียกว่า Cognitive Services ซึ่งเป็นเครื่องมือ AI ที่สามารถใช้ได้โดยไม่ต้องฝึก หรือฝึกเพียงเล็กน้อย รวมถึงการรู้จำเสียงและการแปล การเข้าใจภาษา และการวิเคราะห์ภาพ เครื่องมือเหล่านี้มีให้ใช้งานในระดับฟรีใน Azure

💁 ระดับฟรีเพียงพอสำหรับการสร้างโมเดล ฝึกมัน จากนั้นใช้มันสำหรับงานพัฒนา คุณสามารถอ่านเกี่ยวกับข้อจำกัดของระดับฟรีได้ที่ หน้าข้อจำกัดและโควตาของ Custom Vision บนเอกสาร Microsoft

งาน - สร้างทรัพยากร Cognitive Services

ในการใช้ Custom Vision คุณต้องสร้างทรัพยากร Cognitive Services สองรายการใน Azure โดยใช้ Azure CLI หนึ่งสำหรับการฝึก Custom Vision และอีกหนึ่งสำหรับการทำนาย Custom Vision

สร้าง Resource Group สำหรับโปรเจกต์นี้ชื่อ fruit-quality-detector
ใช้คำสั่งต่อไปนี้เพื่อสร้างทรัพยากรการฝึก Custom Vision ฟรี:
```
az cognitiveservices account create --name fruit-quality-detector-training \
                                    --resource-group fruit-quality-detector \
                                    --kind CustomVision.Training \
                                    --sku F0 \
                                    --yes \
                                    --location <location>
```
แทนที่ <location> ด้วยตำแหน่งที่คุณใช้เมื่อสร้าง Resource Group

คำสั่งนี้จะสร้างทรัพยากรการฝึก Custom Vision ใน Resource Group ของคุณ มันจะถูกเรียกว่า fruit-quality-detector-training และใช้ F0 sku ซึ่งเป็นระดับฟรี ตัวเลือก --yes หมายถึงคุณยอมรับข้อกำหนดและเงื่อนไขของ Cognitive Services

💁 ใช้ S0 sku หากคุณมีบัญชีฟรีที่ใช้งาน Cognitive Services อยู่แล้ว

ใช้คำสั่งต่อไปนี้เพื่อสร้างทรัพยากรการทำนาย Custom Vision ฟรี:
```
az cognitiveservices account create --name fruit-quality-detector-prediction \
                                    --resource-group fruit-quality-detector \
                                    --kind CustomVision.Prediction \
                                    --sku F0 \
                                    --yes \
                                    --location <location>
```
แทนที่ <location> ด้วยตำแหน่งที่คุณใช้เมื่อสร้าง Resource Group

คำสั่งนี้จะสร้างทรัพยากรการทำนาย Custom Vision ใน Resource Group ของคุณ มันจะถูกเรียกว่า fruit-quality-detector-prediction และใช้ F0 sku ซึ่งเป็นระดับฟรี ตัวเลือก --yes หมายถึงคุณยอมรับข้อกำหนดและเงื่อนไขของ Cognitive Services

งาน - สร้างโปรเจกต์ตัวจำแนกภาพ

เปิดพอร์ทัล Custom Vision ที่ CustomVision.ai และลงชื่อเข้าใช้ด้วยบัญชี Microsoft ที่คุณใช้สำหรับบัญชี Azure
ทำตาม ส่วนการสร้างโปรเจกต์ใหม่ในเอกสาร Microsoft เพื่อสร้างโปรเจกต์ Custom Vision ใหม่ UI อาจเปลี่ยนแปลงได้ และเอกสารเหล่านี้เป็นข้อมูลอ้างอิงที่อัปเดตที่สุดเสมอ

ตั้งชื่อโปรเจกต์ของคุณว่า fruit-quality-detector

เมื่อคุณสร้างโปรเจกต์ของคุณ อย่าลืมใช้ทรัพยากร fruit-quality-detector-training ที่คุณสร้างไว้ก่อนหน้านี้ ใช้ประเภทโปรเจกต์ Classification ประเภทการจำแนก Multiclass และโดเมน Food

✅ ใช้เวลาสำรวจ UI ของ Custom Vision สำหรับตัวจำแนกภาพของคุณ

งาน - ฝึกโปรเจกต์ตัวจำแนกภาพของคุณ

ในการฝึกตัวจำแนกภาพ คุณจะต้องมีภาพผลไม้หลายภาพ ทั้งที่มีคุณภาพดีและไม่ดี เพื่อแท็กว่าเป็นผลไม้ดีและผลไม้เสีย เช่น กล้วยที่สุกและกล้วยที่สุกเกินไป 💁 ตัวจำแนกเหล่านี้สามารถจำแนกภาพของอะไรก็ได้ ดังนั้นหากคุณไม่มีผลไม้ที่มีคุณภาพแตกต่างกัน คุณสามารถใช้ผลไม้สองประเภทที่ต่างกัน หรือแมวกับสุนัขแทน! แต่ละภาพควรแสดงเฉพาะผลไม้ โดยมีพื้นหลังที่สม่ำเสมอหรือหลากหลาย แต่ต้องไม่มีสิ่งใดในพื้นหลังที่บ่งบอกถึงผลไม้สุกหรือยังไม่สุก

💁 สิ่งสำคัญคือไม่ควรมีพื้นหลังเฉพาะ หรือสิ่งของเฉพาะที่ไม่เกี่ยวข้องกับสิ่งที่กำลังถูกจัดประเภทในแต่ละแท็ก มิฉะนั้นตัวจัดประเภทอาจจัดประเภทตามพื้นหลังแทน มีกรณีหนึ่งที่ตัวจัดประเภทสำหรับมะเร็งผิวหนังถูกฝึกด้วยภาพของไฝทั้งแบบปกติและแบบมะเร็ง โดยภาพของไฝมะเร็งทั้งหมดมีไม้บรรทัดวางอยู่เพื่อวัดขนาด ผลปรากฏว่าตัวจัดประเภทสามารถระบุไม้บรรทัดในภาพได้อย่างแม่นยำเกือบ 100% แต่ไม่สามารถระบุไฝมะเร็งได้

ตัวจัดประเภทภาพทำงานที่ความละเอียดต่ำมาก ตัวอย่างเช่น Custom Vision สามารถใช้ภาพสำหรับการฝึกและการทำนายได้สูงสุด 10240x10240 แต่จะฝึกและรันโมเดลบนภาพที่มีขนาด 227x227 ภาพที่ใหญ่กว่าจะถูกย่อให้มีขนาดนี้ ดังนั้นควรมั่นใจว่าสิ่งที่คุณกำลังจัดประเภทนั้นกินพื้นที่ส่วนใหญ่ของภาพ มิฉะนั้นอาจเล็กเกินไปในภาพที่ถูกย่อขนาดสำหรับตัวจัดประเภท

รวบรวมภาพสำหรับตัวจัดประเภทของคุณ คุณจะต้องมีภาพอย่างน้อย 5 ภาพสำหรับแต่ละป้ายกำกับเพื่อฝึกตัวจัดประเภท แต่ยิ่งมีมากยิ่งดี นอกจากนี้คุณยังต้องมีภาพเพิ่มเติมเพื่อทดสอบตัวจัดประเภท ภาพเหล่านี้ควรเป็นภาพที่แตกต่างกันของสิ่งเดียวกัน ตัวอย่างเช่น:
- ใช้กล้วยสุก 2 ลูก ถ่ายภาพแต่ละลูกจากมุมต่าง ๆ อย่างน้อย 7 ภาพ (5 สำหรับการฝึก, 2 สำหรับการทดสอบ) แต่ถ้าเป็นไปได้ควรมีมากกว่านี้
- ทำซ้ำกระบวนการเดียวกันกับกล้วยที่ยังไม่สุก 2 ลูก
คุณควรมีภาพสำหรับการฝึกอย่างน้อย 10 ภาพ โดยมีภาพกล้วยสุกอย่างน้อย 5 ภาพ และกล้วยที่ยังไม่สุกอย่างน้อย 5 ภาพ และภาพสำหรับการทดสอบ 4 ภาพ (กล้วยสุก 2 ภาพ, กล้วยที่ยังไม่สุก 2 ภาพ) ภาพของคุณควรเป็นไฟล์ png หรือ jpeg และมีขนาดเล็กกว่า 6MB หากคุณสร้างภาพด้วย iPhone ตัวอย่างเช่น ภาพอาจมีความละเอียดสูงในรูปแบบ HEIC ซึ่งจะต้องแปลงและอาจต้องย่อขนาด ยิ่งมีภาพมากยิ่งดี และควรมีจำนวนภาพกล้วยสุกและยังไม่สุกที่ใกล้เคียงกัน

หากคุณไม่มีทั้งกล้วยสุกและยังไม่สุก คุณสามารถใช้ผลไม้ชนิดอื่น หรือวัตถุสองอย่างที่คุณมีอยู่ คุณยังสามารถค้นหาภาพตัวอย่างในโฟลเดอร์ images ของกล้วยสุกและยังไม่สุกที่คุณสามารถใช้ได้
ทำตาม ส่วนการอัปโหลดและแท็กภาพในเอกสาร Microsoft เพื่ออัปโหลดภาพสำหรับการฝึกของคุณ แท็กผลไม้สุกเป็น ripe และผลไม้ที่ยังไม่สุกเป็น unripe
ทำตาม ส่วนการฝึกตัวจัดประเภทในเอกสาร Microsoft เพื่อฝึกตัวจัดประเภทภาพบนภาพที่คุณอัปโหลด

คุณจะได้รับตัวเลือกประเภทการฝึก เลือก Quick Training

ตัวจัดประเภทจะเริ่มฝึก ซึ่งจะใช้เวลาสักครู่จนกว่าการฝึกจะเสร็จสิ้น

🍌 หากคุณตัดสินใจกินผลไม้ของคุณในขณะที่ตัวจัดประเภทกำลังฝึก อย่าลืมว่าคุณมีภาพเพียงพอสำหรับการทดสอบก่อน!

ทดสอบตัวจัดประเภทภาพของคุณ

เมื่อคุณฝึกตัวจัดประเภทเสร็จแล้ว คุณสามารถทดสอบได้โดยใช้ภาพใหม่เพื่อจัดประเภท

งาน - ทดสอบตัวจัดประเภทภาพของคุณ

ทำตาม เอกสารการทดสอบโมเดลใน Microsoft เพื่อทดสอบตัวจัดประเภทภาพของคุณ ใช้ภาพสำหรับการทดสอบที่คุณสร้างไว้ก่อนหน้านี้ ไม่ใช่ภาพที่คุณใช้สำหรับการฝึก
ลองใช้ภาพสำหรับการทดสอบทั้งหมดที่คุณมีและสังเกตความน่าจะเป็น

ฝึกตัวจัดประเภทภาพของคุณใหม่

เมื่อคุณทดสอบตัวจัดประเภทของคุณ อาจไม่ให้ผลลัพธ์ตามที่คุณคาดหวัง ตัวจัดประเภทภาพใช้การเรียนรู้ของเครื่องเพื่อทำนายสิ่งที่อยู่ในภาพ โดยอิงจากความน่าจะเป็นที่ลักษณะเฉพาะของภาพนั้นหมายถึงว่ามันตรงกับป้ายกำกับที่กำหนด มันไม่ได้เข้าใจสิ่งที่อยู่ในภาพ - มันไม่รู้ว่ากล้วยคืออะไรหรือเข้าใจว่ากล้วยแตกต่างจากเรืออย่างไร คุณสามารถปรับปรุงตัวจัดประเภทของคุณได้โดยการฝึกใหม่ด้วยภาพที่มันทำนายผิด

ทุกครั้งที่คุณทำการทำนายโดยใช้ตัวเลือกการทดสอบแบบรวดเร็ว ภาพและผลลัพธ์จะถูกบันทึกไว้ คุณสามารถใช้ภาพเหล่านี้เพื่อฝึกโมเดลของคุณใหม่

งาน - ฝึกตัวจัดประเภทภาพของคุณใหม่

ทำตาม เอกสารการใช้ภาพที่ทำนายเพื่อการฝึกใน Microsoft เพื่อฝึกโมเดลของคุณใหม่ โดยใช้แท็กที่ถูกต้องสำหรับแต่ละภาพ
เมื่อโมเดลของคุณถูกฝึกใหม่แล้ว ให้ทดสอบกับภาพใหม่

🚀 ความท้าทาย

คุณคิดว่าจะเกิดอะไรขึ้นหากคุณใช้ภาพของสตรอเบอร์รี่กับโมเดลที่ฝึกด้วยกล้วย หรือภาพของกล้วยเป่าลม หรือคนที่ใส่ชุดกล้วย หรือแม้แต่ตัวการ์ตูนสีเหลือง เช่น ตัวละครจาก The Simpsons?

ลองทำดูและดูผลการทำนาย คุณสามารถค้นหาภาพเพื่อทดลองได้โดยใช้ Bing Image search

แบบทดสอบหลังการบรรยาย

ทบทวนและศึกษาด้วยตนเอง

เมื่อคุณฝึกตัวจัดประเภท คุณจะเห็นค่าของ Precision, Recall, และ AP ที่ประเมินโมเดลที่ถูกสร้างขึ้น อ่านเพิ่มเติมเกี่ยวกับค่าดังกล่าวได้จาก ส่วนการประเมินตัวจัดประเภทในเอกสาร Microsoft
อ่านเพิ่มเติมเกี่ยวกับวิธีปรับปรุงตัวจัดประเภทของคุณจาก วิธีปรับปรุงโมเดล Custom Vision ในเอกสาร Microsoft

งานที่ได้รับมอบหมาย

ฝึกตัวจัดประเภทของคุณสำหรับผลไม้และผักหลายชนิด

ข้อจำกัดความรับผิดชอบ:
เอกสารนี้ได้รับการแปลโดยใช้บริการแปลภาษา AI Co-op Translator แม้ว่าเราจะพยายามให้การแปลมีความถูกต้องมากที่สุด แต่โปรดทราบว่าการแปลโดยอัตโนมัติอาจมีข้อผิดพลาดหรือความไม่ถูกต้อง เอกสารต้นฉบับในภาษาดั้งเดิมควรถือเป็นแหล่งข้อมูลที่เชื่อถือได้ สำหรับข้อมูลที่สำคัญ ขอแนะนำให้ใช้บริการแปลภาษามืออาชีพ เราไม่รับผิดชอบต่อความเข้าใจผิดหรือการตีความผิดที่เกิดจากการใช้การแปลนี้

43 KiB Raw Permalink Blame History