Amazon Rekognition Özel Etiketler modelinizi iyileştirmeye yönelik ipuçları

Bu gönderide, bilgisayarla görü modellerinizin performansını artırmak için en iyi uygulamaları tartışıyoruz. Amazon Rekognition Özel Etiketleri. Rekognition Custom Labels, görüntü sınıflandırması ve nesne algılama kullanım durumları için özel bilgisayarlı görü modelleri oluşturmaya yönelik tam olarak yönetilen bir hizmettir. Tanıma Özel Etiketleri, önceden eğitilmiş modellerden oluşur. Amazon Rekognisyon, zaten birçok kategoride on milyonlarca görüntü üzerinde eğitilmiştir. Binlerce görüntü yerine, kullanım durumunuza özel küçük bir eğitim görüntüsü seti (birkaç yüz veya daha az) ile başlayabilirsiniz. Tanıma Özel Etiketleri, özel bir model oluşturmanın karmaşıklığını ortadan kaldırır. Eğitim verilerini otomatik olarak inceler, doğru ML algoritmalarını seçer, örnek türünü seçer, çeşitli hiperparametre ayarlarıyla birden çok aday modeli eğitir ve en iyi eğitilmiş modeli verir. Rekognition Custom Labels ayrıca, kullanımı kolay bir arayüz sağlar. AWS Yönetim Konsolu görüntüleri etiketleme, modeli eğitme, modeli dağıtma ve test sonuçlarını görselleştirme dahil olmak üzere tüm makine öğrenimi iş akışını yönetmek için.

Bir modelin doğruluğunun en iyi olmadığı ve modelin yapılandırma parametrelerini ayarlamak için çok fazla seçeneğiniz olmadığı zamanlar vardır. Perde arkasında, aşağıdakiler gibi yüksek performanslı bir model oluşturmak için kilit rol oynayan birden çok faktör vardır:

• Resim açısı
• Görüntü çözünürlüğü
• Görüntü en boy oranı
• Işığa maruz kalma
• Arka planın netliği ve canlılığı
• Renk kontrastı
• Örnek veri boyutu

Aşağıdakiler, üretim düzeyinde bir Tanıma Özel Etiketler modeli eğitmek için izlenecek genel adımlardır:

1. Taksonomiyi İncele – Bu, bir görüntüde tanımlamak istediğiniz niteliklerin/öğelerin listesini tanımlar.
2. İlgili verileri toplayın – Bu, bir üretim ortamında göreceğinize benzemesi gereken ilgili görüntüleri toplamanız gereken en önemli adımdır. Bu, değişen arka planlara, aydınlatmaya veya kamera açılarına sahip nesnelerin görüntülerini içerebilir. Ardından, toplanan görüntüleri bölerek bir eğitim ve test veri kümeleri oluşturursunuz. Test veri kümesinin bir parçası olarak yalnızca gerçek dünya görüntülerini dahil etmelisiniz ve sentetik olarak oluşturulmuş görüntüleri dahil etmemelisiniz. Topladığınız verilerin açıklamaları, model performansı için çok önemlidir. Sınırlayıcı kutuların nesnelerin etrafında sıkı olduğundan ve etiketlerin doğru olduğundan emin olun. Bu yazının ilerleyen bölümlerinde uygun bir veri kümesi oluştururken göz önünde bulundurabileceğiniz bazı ipuçlarını tartışıyoruz.
3. Eğitim metriklerini inceleyin – Bir modeli eğitmek ve F1 puanı, kesinlik ve hatırlama için eğitim metriklerini gözden geçirmek için önceki veri kümelerini kullanın. Bu yazının ilerleyen bölümlerinde eğitim metriklerinin nasıl analiz edileceği hakkında ayrıntılı olarak tartışacağız.
4. Eğitimli modeli değerlendirin – Tahminleri değerlendirmek için bilinen etiketlere sahip bir dizi görünmeyen görüntü (modeli eğitmek için kullanılmaz) kullanın. Modelin bir üretim ortamında beklendiği gibi çalıştığından emin olmak için bu adım her zaman gerçekleştirilmelidir.
5. Yeniden eğitim (isteğe bağlı) – Genel olarak, herhangi bir makine öğrenimi modelini eğitmek, istenen sonuçları elde etmek için yinelemeli bir süreçtir, bir bilgisayarlı görme modeli farklı değildir. Eğitim verilerine daha fazla görüntünün eklenmesi gerekip gerekmediğini görmek için Adım 4'teki sonuçları gözden geçirin ve yukarıdaki Adım 3 – 5'i tekrarlayın.

Bu gönderide, model performansınızı iyileştirmek için ilgili verileri toplamaya (2. Adım) ve eğitilmiş ölçümlerinizi değerlendirmeye (3. Adım) ilişkin en iyi uygulamalara odaklanıyoruz.

İlgili verileri toplayın

Bu, üretim düzeyinde bir Tanıma Özel Etiketler modeli eğitiminin en kritik aşamasıdır. Spesifik olarak, iki veri kümesi vardır: eğitim ve test. Eğitim verileri, modeli eğitmek için kullanılır ve uygun bir eğitim seti oluşturmak için çaba harcamanız gerekir. Tanıma Özel Etiketler modelleri, aşağıdakiler için optimize edilmiştir: F1 skoru projeniz için en doğru modeli seçmek için test veri setinde. Bu nedenle, gerçek dünyaya benzeyen bir test veri kümesinin küratörlüğünü yapmak çok önemlidir.

Görüntü sayısı

Etiket başına en az 15-20 resim olmasını öneririz. Kullanım durumunuzu yansıtan daha fazla varyasyona sahip daha fazla görüntüye sahip olmak model performansını artıracaktır.

Dengeli veri kümesi

İdeal olarak, veri kümesindeki her etiketin benzer sayıda örneğe sahip olması gerekir. Etiket başına görüntü sayısında büyük bir eşitsizlik olmamalıdır. Örneğin, bir etiket için en fazla görüntü sayısının 1,000'e karşılık başka bir etiket için 50 görüntü olduğu bir veri kümesi, dengesiz bir veri kümesine benzer. En az resim sayısına sahip etiket ile en fazla resim sayısına sahip etiket arasında orantısız oranı 1:50 olan senaryolardan kaçınmanızı öneririz.

Değişen resim türleri

Gerçek dünyada kullanacağınıza benzeyen görüntüleri eğitim ve test veri kümesine dahil edin. Örneğin, oturma odası ve yatak odası resimlerini sınıflandırmak istiyorsanız, her iki odanın da boş ve mobilyalı resimlerini eklemelisiniz.

Aşağıda mobilyalı bir oturma odasının örnek bir görüntüsü verilmiştir.

Buna karşılık, aşağıdaki mobilyasız bir oturma odası örneğidir.

Aşağıda mobilyalı bir yatak odasının örnek bir görüntüsü verilmiştir.

Aşağıdaki mobilyasız bir yatak odasının örnek bir görüntüsüdür.

değişen arka planlar

Farklı geçmişlere sahip resimler ekleyin. Doğal bağlamlı görüntüler, düz arka plana göre daha iyi sonuçlar sağlayabilir.

Aşağıdaki, bir evin ön bahçesinin örnek bir görüntüsüdür.

Aşağıdaki, farklı bir arka plana sahip farklı bir evin ön bahçesinin örnek bir görüntüsüdür.

Değişen aydınlatma koşulları

Çıkarım sırasında meydana gelen farklı aydınlatma koşullarını (örneğin, flaşlı ve flaşsız) kapsaması için değişen aydınlatmaya sahip görüntüleri dahil edin. Ayrıca değişen doygunluk, renk tonu ve parlaklığa sahip görüntüler de ekleyebilirsiniz.

Aşağıdaki, normal ışık altında bir çiçeğin örnek bir görüntüsüdür.

Buna karşılık, aşağıdaki görüntü parlak ışık altında aynı çiçeğe ait.

değişen açılar

Nesnenin çeşitli açılarından çekilmiş görüntüleri ekleyin. Bu, modelin nesnelerin farklı özelliklerini öğrenmesine yardımcı olur.

Aşağıdaki resimler aynı yatak odasına farklı açılardan aittir.

Farklı türlerde görüntüler elde etmenin mümkün olmadığı durumlar olabilir. Bu senaryolarda, eğitim veri setinin bir parçası olarak sentetik görüntüler oluşturulabilir. Yaygın görüntü büyütme teknikleri hakkında daha fazla bilgi için bkz. Veri Büyütme.

Negatif etiketler ekle

Görüntü sınıflandırması için negatif etiketler eklemek, model doğruluğunu artırmaya yardımcı olabilir. Örneğin, gerekli etiketlerin hiçbiriyle eşleşmeyen bir negatif etiket ekleyebilirsiniz. Aşağıdaki görüntü, tamamen büyümüş çiçekleri tanımlamak için kullanılan farklı etiketleri temsil etmektedir.

Negatif etiketi ekleme not_fully_grown modelin, modelin parçası olmayan özellikleri öğrenmesine yardımcı olur. fully_grown etiket.

Etiket karışıklığının ele alınması

Eğitim veya test veri kümesinde kaçırılan kalıpları tanımak için test veri kümesindeki sonuçları analiz edin. Bazen görüntüleri görsel olarak inceleyerek bu tür kalıpları tespit etmek kolaydır. Aşağıdaki resimde, model bir arka bahçe ile veranda etiketi arasında çözüm bulmakta zorlanıyor.

Bu senaryoda, veri kümesindeki bu etiketlere daha fazla görüntü eklemek ve etiketlerin her etiketin farklı olması için yeniden tanımlanması, modelin doğruluğunu artırmaya yardımcı olabilir.

Veri büyütme

Tanıma Özel Etiketleri içinde, görüntünün rastgele kırpılması, renk titremesi, rastgele Gauss gürültüleri ve daha fazlası dahil olmak üzere model eğitimi için çeşitli veri büyütmeleri gerçekleştiriyoruz. Özel kullanım durumlarınıza bağlı olarak, eğitim verilerinize daha açık veri büyütmeleri eklemek de faydalı olabilir. Örneğin, hayvanları hem renkli hem de siyah beyaz görüntülerde tespit etmekle ilgileniyorsanız, eğitim verilerine aynı görüntülerin siyah beyaz ve renkli versiyonlarını ekleyerek potansiyel olarak daha iyi doğruluk elde edebilirsiniz.

Büyütmeler, üretim kullanım durumlarınızı yansıtmadığı sürece, test verilerinde büyütme önermiyoruz.

Eğitim metriklerini inceleyin

F1 puanı, kesinlik, geri çağırma ve varsayılan eşik, metrikleri Bunlar, Tanıma Özel Etiketleri kullanılarak bir model eğitiminin çıktısı olarak oluşturulur. Modeller, sağlanan test veri kümesine dayalı olarak en iyi F1 puanı için optimize edilmiştir. Varsayılan eşik, test veri kümesine dayalı olarak da oluşturulur. Kesinlik veya geri çağırma açısından iş gereksinimlerinize göre eşiği ayarlayabilirsiniz.

Varsayılan eşikler test veri setinde ayarlandığından, uygun bir test seti gerçek dünyadaki üretim kullanım durumunu yansıtmalıdır. Test veri kümesi kullanım durumunu temsil etmiyorsa, gerçek dünyadaki görüntülerinizde yapay olarak yüksek F1 puanları ve düşük model performansı görebilirsiniz.

Bu metrikler, modelin ilk değerlendirmesini yaparken yardımcı olur. Üretim düzeyinde bir sistem için, modeli gerçek dünyayı temsil eden harici bir veri kümesine (500–1,000 görünmeyen görüntü) karşı değerlendirmenizi öneririz. Bu, modelin bir üretim sisteminde nasıl performans göstereceğini değerlendirmeye ve ayrıca eksik kalıpları belirlemeye ve modeli yeniden eğiterek bunları düzeltmeye yardımcı olur. F1 puanları ile dış değerlendirme arasında bir uyumsuzluk görürseniz, test verilerinizin gerçek dünyadaki kullanım durumunu yansıtıp yansıtmadığını incelemenizi öneririz.

Sonuç

Bu gönderide, Tanıma Özel Etiketleri modellerini iyileştirmeye yönelik en iyi uygulamalarda size yol gösterdik. hakkında daha fazla bilgi edinmenizi öneririz. Tanıma Özel Etiketleri ve işletmenize özel veri kümeleriniz için deneyin.

---

yazarlar hakkında

Amit Gupta AWS'de Kıdemli Yapay Zeka Hizmetleri Çözümleri Mimarıdır. Müşterilere geniş ölçekte iyi tasarlanmış makine öğrenimi çözümleri sağlama konusunda tutkulu.

Yogesh Çaturvedi AWS'de bilgisayar vizyonuna odaklanan bir Çözüm Mimarıdır. Bulut teknolojilerini kullanarak iş zorluklarını gidermek için müşterilerle birlikte çalışır. İş dışında yürüyüş yapmayı, seyahat etmeyi ve spor izlemeyi sever.

HaoYang Amazon Rekognition Özel Etiketler ekibinde Kıdemli Uygulamalı Bilim Adamıdır. Başlıca araştırma ilgi alanları nesne algılama ve sınırlı açıklamalarla öğrenmedir. Hao, dışarıda film izlemekten, fotoğraf çekmekten ve açık hava etkinliklerinden hoşlanır.

Peşmerge Mistry Amazon Rekognition Özel Etiketleri için Kıdemli Ürün Yöneticisidir. Pashmeen, iş dışında maceralı yürüyüşler yapmaktan, fotoğraf çekmekten ve ailesiyle vakit geçirmekten hoşlanır.