Modelos de aprendizado profundo construídos usando o Maximo Visual Inspection (MVI) são usados ​​para uma ampla gama de aplicações, incluindo classificação de imagens e detecção de objetos. Esses modelos treinam em grandes conjuntos de dados e aprendem padrões complexos que são difíceis de serem reconhecidos pelos humanos.

Essa pode ser uma tarefa assustadora para um não cientista de dados ou um cientista de dados com pouca ou nenhuma experiência. A melhor parte dessa ferramenta é que ela oferece uma interface de usuário de código baixo/sem código amigável para treinar e implantar modelos complexos com facilidade!

Este artigo orientará você sobre como abordar a modelagem de aprendizado profundo por meio da plataforma MVI, desde a preparação de dados até sua primeira implantação.

A figura acima descreve as etapas necessárias para criar um modelo de ML bem-sucedido com o Maximo Visual Inspection.

Vamos discutir Deep Learning e Processamento de Imagens

Antes de mergulharmos na plataforma, é importante entender como o aprendizado profundo é aproveitado para o processamento de imagens. Deep Learning é um subconjunto de aprendizado de máquina, onde os programas resolvem tarefas sem serem explicitamente programados. Isso é especialmente importante ao lidar com imagens, vídeos ou até mesmo sons. É mais específico porque eles treinam redes neurais artificiais. O aprendizado profundo consiste em várias camadas que evoluem para uma eventual classificação de saída para determinadas entradas.

Nesse caso, as camadas são conectadas com vários nós que criam entradas para cada camada seguinte. Para imagens, podemos ter um conjunto de dados de imagens treinadas com rótulos e categorias associadas. A rede manipulará o conjunto de treinamento em cada camada, transformando-o de uma para a outra. Isso cria uma rede complexa com a qual o modelo aprende sem qualquer influência. Depois que um modelo é treinado, ele pode ser implantado para testar e fornecer uma categoria de saída para uma determinada imagem.

A figura abaixo visualiza brevemente a progressão de aprendizado profundo de processamento de imagem para um modelo de classificação de imagem.

Quais são os tipos de modelos de ML de processamento de imagem?

Existem três tipos diferentes de treinamento: classificação de imagens, detecção de objetos e detecção de ações.

• Classificação de imagem : Melhor usado para reconhecer e categorizar uma imagem como um todo. Por exemplo, classificar uma imagem de flor como Rosa ou Girassol.
• Detecção de objetos : Recomendado para detectar e encaixar várias partes de uma imagem. Por exemplo, prever uma folha, caule e/ou pétala em uma imagem de flor.
• Detecção de ação : este é um modelo de ML baseado em vídeo que detecta e marca ações em um vídeo. Este tipo de treinamento leva em consideração dados espaciais e temporais entre objetos e movimentos. Por exemplo, prever o estágio de vida do crescimento de uma flor ao longo do tempo.

Etapa 1: Preparando seu conjunto de dados no Maximo Visual Inspection

Vou orientá-lo sobre como preparar seu conjunto de dados para treinar um modelo de classificação de imagem ou uma detecção de objeto no Maximo Visual Inspection Platform

Categorizar e rotular imagens antes de treinar seus modelos

Na Maximo Visual Inspection Platform, há uma página 'Conjuntos de dados' que serve como seu gerenciamento de dados tudo-em-um para seus ativos de imagem. Ele mantém seus conjuntos de dados em estruturas semelhantes a um sistema de arquivos. Cada conjunto de dados é usado para um único modelo a ser treinado.

Ao navegar em seu conjunto de dados escolhido, as imagens podem ser facilmente carregadas. Nesse caso, o conjunto de dados “Flores” contém uma variedade de diferentes imagens de flores: rosas, girassóis e margaridas.

Para fins de treinamento e modelo de classificação de imagem, você deve 'Atribuir categoria' para cada uma das imagens.

Para um modelo de detecção de objetos, você deve 'rotular' cada uma das imagens.

Classificação de imagem: Atribuir categoria

Atribuir uma imagem a uma categoria é muito simples depois de clicar em “Atribuir categoria”, um nome de categoria personalizado pode ser adicionado e atribuído.

Detecção de Objeto: Adicionar Rótulo

A rotulagem de objetos em uma imagem pode ser simplificada, de modo que um modelo de detecção de objetos possa ser treinado. Para rotular, é importante rotular todo o objeto na imagem. Para práticas recomendadas, é recomendável rotular de forma consistente em todas as imagens para garantir um modelo de melhor desempenho. Abaixo detalhamos as etapas para criar essas anotações.

Etapa 2: treinando seu conjunto de dados

Depois de rotular e categorizar suas imagens, você está pronto para começar o treinamento!

No canto superior direito da página Conjunto de dados, você observará um botão “Treinar modelo”. O botão irá redirecioná-lo para a página inicial do modelo de trem.

Existem três tipos diferentes de treinamento: classificação de imagens, detecção de objetos e detecção de ações. Conforme discutido acima, dependendo do seu conjunto de dados e preferências de modelagem, escolha o melhor modelo apropriado. Para qualquer uma das opções, usando o botão Ajustar configurações, você pode ajustar os valores para cada um dos hiperparâmetros do modelo em vez de usar os valores padrão.

Depois de ajustar seus parâmetros e escolher o tipo de modelo, você está pronto para clicar em “Treinar modelo”.

Etapa 3: implantar seu modelo treinado

Na guia “Modelos”, você poderá visualizar o desempenho do modelo treinado, bem como as inúmeras métricas de ciência de dados que serão importantes para avaliar seu modelo.

Ao treinar seu modelo, você pode visualizar o desempenho do modelo ao longo do tempo por meio do gráfico Perda x Iteração. Você também pode visualizar o desempenho de cada categoria no conjunto de dados. Isso pode fornecer informações sobre como você pode melhorar ainda mais o modelo e quais categorias têm o desempenho mais fraco.

Para inferir e testar seu modelo, você deve implantar o modelo.

Etapa 4: teste seu modelo implantado

A implantação é uma etapa direta que envolve testar seu modelo. Você pode ver como ele funciona em novas imagens fora do conjunto de dados para testar verdadeiramente o desempenho. A inferência no aprendizado de máquina é o processo de execução de pontos de dados em um modelo para calcular uma pontuação de saída. Na plataforma MVI, você pode inferir uma única imagem para obter uma pontuação de confiança. A implantação cria um endpoint de API para criar programaticamente várias inferências em relação à imagem única na plataforma. No entanto, você obterá informações importantes que podem ser usadas para melhorar ainda mais seu modelo!

Abaixo descrevemos duas situações de inferência para um modelo de classificação de imagens ou um modelo de detecção de objetos.

Inferência de um modelo de classificação de imagem

Um modelo de classificação de imagem criará um resultado de uma pontuação de confiança e uma sobreposição de mapa de calor. Essa sobreposição de mapa de calor será essencial para destacar as áreas de interesse da imagem.

Inferência de um modelo de detecção de objetos

Para um modelo de detecção de objetos, o resultado representará a pontuação de confiança para cada categoria e caixa delimitadora sobre a área de interesse da imagem.

Está tudo pronto!

Agora você levou com sucesso um conjunto de dados de imagens para um modelo totalmente implementado aproveitando o Maximo Visual Inspection da IBM. Para o cientista de dados iniciante, agora você está equipado com o básico para criar modelos precisos com facilidade e rapidez.

A modelagem é uma abordagem iterativa, então agora você pode melhorar seus modelos adicionando mais imagens rotuladas e inferências para insights. Agora você pode trabalhar para melhorar seus modelos atuais e explorar ainda mais o aprendizado profundo!

Este artigo discutiu a interface com o usuário do Maximo Visual Inspection, mas ela pode ser acessada programaticamente usando uma API REST para modelagem e inferência em lotes adicionais. Para obter mais informações sobre ferramentas de desenvolvedor e tutoriais para o Maximo Visual Inspection, visite aqui . Se quiser saber mais sobre o Maximo Application Suite e outras ferramentas relacionadas, visite aqui .