Los modelos de aprendizaje profundo creados con Maximo Visual Inspection (MVI) se utilizan para una amplia gama de aplicaciones, incluida la clasificación de imágenes y la detección de objetos. Estos modelos se entrenan en grandes conjuntos de datos y aprenden patrones complejos que son difíciles de reconocer para los humanos.

Esta puede ser una tarea desalentadora para un científico de datos que no sea científico de datos o con poca o ninguna experiencia. La mejor parte de esta herramienta es que ofrece una interfaz de usuario fácil de usar de código bajo/sin código para entrenar e implementar modelos complejos con facilidad.

Este artículo lo guiará a través de cómo abordar el modelado de aprendizaje profundo a través de la plataforma MVI desde la preparación de datos hasta su primera implementación.

La figura anterior muestra los pasos necesarios para construir un modelo ML exitoso con Maximo Visual Inspection.

Hablemos del aprendizaje profundo y el procesamiento de imágenes

Antes de sumergirnos en la plataforma, es importante comprender cómo se aprovecha el aprendizaje profundo para el procesamiento de imágenes. Deep Learning es un subconjunto del aprendizaje automático, donde los programas resuelven tareas sin ser programados explícitamente. Esto es especialmente importante cuando se trata de imágenes, videos o incluso sonido. Es más específico ya que entrenan redes neuronales artificiales. El aprendizaje profundo consta de numerosas capas que evolucionan hacia una eventual clasificación de salida para ciertas entradas.

En este caso, las capas están conectadas con múltiples nodos que crean entradas para cada capa siguiente. Para las imágenes, podemos tener un conjunto de datos de imágenes entrenadas con etiquetas y categorías asociadas. La red manipulará el conjunto de entrenamiento a lo largo de cada capa transformándolo de uno a otro. Esto crea una red compleja de la que el modelo aprende sin ninguna influencia. Una vez que se entrena un modelo, se puede implementar para probar y proporcionar una categoría de salida para una imagen determinada.

La siguiente figura visualiza brevemente la progresión del aprendizaje profundo del procesamiento de imágenes para un modelo de clasificación de imágenes.

¿Cuáles son los tipos de modelos de procesamiento de imágenes ML?

Hay tres tipos de entrenamiento diferentes: Clasificación de imágenes, Detección de objetos y Detección de acciones.

• Clasificación de imágenes : se utiliza mejor para reconocer y categorizar una imagen como un todo. Por ejemplo, clasificar una imagen de flor como Rosa o Girasol.
• Detección de objetos : recomendado para detectar y encuadrar varias partes de una imagen. Por ejemplo, predecir una hoja, un tallo y/o un pétalo en la imagen de una flor.
• Detección de acciones : este es un modelo de aprendizaje automático basado en video que detecta y etiqueta acciones en un video. Este tipo de entrenamiento tiene en cuenta los datos espaciales y temporales entre los objetos y el movimiento. Por ejemplo, predecir la etapa de vida del crecimiento de una flor a lo largo del tiempo.

Paso 1: preparación de su conjunto de datos en Maximo Visual Inspection

Lo guiaré a través de cómo preparar su conjunto de datos para entrenar un modelo de clasificación de imágenes o una detección de objetos en la plataforma de inspección visual de Maximo.

Categorización y etiquetado de imágenes antes de entrenar sus modelos

En Maximo Visual Inspection Platform, hay una página de 'Conjuntos de datos' que sirve como gestión de datos todo en uno para sus activos de imagen. Mantiene sus conjuntos de datos en estructuras similares a un sistema de archivos. Cada conjunto de datos se utiliza para entrenar un único modelo.

Al navegar en el conjunto de datos elegido, las imágenes se pueden cargar fácilmente. En este caso, el conjunto de datos "Flores" contiene una variedad de imágenes de flores diferentes: rosas, girasoles y margaritas.

A los efectos del modelo de formación y clasificación de imágenes, debe 'Asignar categoría' para cada una de las imágenes.

Para un modelo de detección de objetos, debe 'Etiquetar' cada una de las imágenes.

Clasificación de imágenes: Asignar categoría

Asignar una imagen a una categoría es muy sencillo después de hacer clic en "Asignar categoría", se puede agregar y asignar un nombre de categoría personalizado.

Detección de objetos: Agregar etiqueta

El etiquetado de objetos en una imagen se puede simplificar, de modo que se pueda entrenar un modelo de detección de objetos. Para el etiquetado, es importante etiquetar todo el objeto en la imagen. Para las mejores prácticas, se recomienda etiquetar de manera consistente en todas las imágenes para garantizar un mejor rendimiento del modelo. A continuación se detallan los pasos para crear esas anotaciones.

Paso 2: Entrenamiento de su conjunto de datos

Después de etiquetar y categorizar sus imágenes, ¡está listo para comenzar a entrenar!

En la esquina superior derecha de la página Conjunto de datos, verá un botón "Modelo de tren". El botón lo redirigirá a la página de inicio del modelo de tren.

Hay tres tipos de entrenamiento diferentes: Clasificación de imágenes, Detección de objetos y Detección de acciones. Como se discutió anteriormente, dependiendo de su conjunto de datos y preferencias de modelado, elija el mejor modelo apropiado. Para cualquiera de las opciones, al usar la opción Ajustar configuración, puede ajustar los valores para cada uno de los hiperparámetros del modelo en lugar de usar los valores predeterminados.

Después de ajustar sus parámetros y elegir su tipo de modelo, está listo para hacer clic en "Entrenar modelo".

Paso 3: implemente su modelo entrenado

En la pestaña "Modelos", podrá ver el rendimiento del modelo entrenado, así como las numerosas métricas de ciencia de datos que serán importantes para evaluar su modelo.

Al entrenar su modelo, puede ver el rendimiento del modelo a lo largo del tiempo a través del gráfico Pérdida frente a iteración. También puede ver el rendimiento de cada categoría en el conjunto de datos. Esto puede proporcionar información sobre cómo puede mejorar aún más el modelo y qué categorías tienen el rendimiento más bajo.

Para inferir y probar su modelo, debe implementar el modelo.

Paso 4: pruebe su modelo implementado

La implementación es un paso sencillo que implica probar su modelo. Puede ver cómo funciona en nuevas imágenes fuera del conjunto de datos para probar realmente el rendimiento. La inferencia en el aprendizaje automático es el proceso de ejecutar puntos de datos en un modelo para calcular una puntuación de salida. En la plataforma MVI, puede inferir una sola imagen para obtener una puntuación de confianza. La implementación crea un punto final de API para crear mediante programación numerosas inferencias en comparación con la imagen única en la plataforma. Sin embargo, obtendrá información importante que puede utilizar para mejorar aún más su modelo.

A continuación, se muestran dos situaciones de inferencia para un modelo de clasificación de imágenes o un modelo de detección de objetos.

Inferencia de un modelo de clasificación de imágenes

Un modelo de clasificación de imágenes creará un resultado de una puntuación de confianza y una superposición de mapa de calor. Esta superposición de mapa de calor será esencial para resaltar las áreas de interés de la imagen.

Inferencia de un modelo de detección de objetos

Para un modelo de detección de objetos, el resultado representará la puntuación de confianza para cada categoría y cuadro delimitador sobre el área de interés de la imagen.

¡Estás listo!

Ahora ha llevado con éxito un conjunto de datos de imágenes a un modelo completamente implementado al aprovechar Maximo Visual Inspection de IBM. Para el científico de datos principiante, ahora está equipado con los conceptos básicos para crear modelos precisos de manera fácil y rápida.

El modelado es un enfoque iterativo, por lo que ahora puede mejorar sus modelos agregando más imágenes etiquetadas e inferencias para obtener información. ¡Ahora puede trabajar para mejorar sus modelos actuales y explorar más el aprendizaje profundo!

Este artículo trata sobre la interfaz de usuario de Maximo Visual Inspection, pero se puede acceder a ella mediante programación mediante una API REST para obtener más inferencias y modelos por lotes. Para obtener más información sobre herramientas de desarrollo y tutoriales para Maximo Visual Inspection, visite aquí . Si desea obtener más información sobre Maximo Application Suite y otras herramientas relacionadas, visite aquí .