<meter id="nx1pr"><font id="nx1pr"><menuitem id="nx1pr"></menuitem></font></meter>

<listing id="nx1pr"><font id="nx1pr"></font></listing>
<menuitem id="nx1pr"><font id="nx1pr"></font></menuitem>

      <font id="nx1pr"></font>

      <var id="nx1pr"><var id="nx1pr"><delect id="nx1pr"></delect></var></var>
      <track id="nx1pr"></track>

      <video id="nx1pr"></video>
      <pre id="nx1pr"><menuitem id="nx1pr"><meter id="nx1pr"></meter></menuitem></pre>
        <pre id="nx1pr"></pre>
      CNTXJ.NET | 通信界-中國通信門戶 | 通信圈 | 通信家 | 下載吧 | 說吧 | 人物 | 前瞻 | 智慧(區塊鏈 | AI
       國際新聞 | 國內新聞 | 運營動態 | 市場動態 | 信息安全 | 通信電源 | 網絡融合 | 通信測試 | 通信終端 | 通信政策
       專網通信 | 交換技術 | 視頻通信 | 接入技術 | 無線通信 | 通信線纜 | 互聯網絡 | 數據通信 | 通信視界 | 通信前沿
       智能電網 | 虛擬現實 | 人工智能 | 自動化 | 光通信 | IT | 6G | 烽火 | FTTH | IPTV | NGN | 知本院 | 通信會展
      您現在的位置: 通信界 >> 通信線纜 >> 技術正文
       
      使用Fastai構建食物圖像分類器
      [ 通信界 | 磐創AI | www.sdgj0817.com | 2022/10/30 18:49:25 ]
       

      背景

      社交媒體平臺是分享有趣的圖像的常用方式。食物圖像,尤其是與不同的美食和文化相關的圖像,是一個似乎經常流行的話題。Instagram 等社交媒體平臺擁有大量屬于不同類別的圖像。我們都可能使用谷歌圖片或 Instagram 上的搜索選項來瀏覽看起來很美味的蛋糕圖片來尋找靈感。但是為了讓這些圖片可以通過搜索獲得,我們需要為每張圖片設置一些相關的標簽。

      這使得搜索關鍵字并將其與標簽匹配成為可能。由于手動標記每張圖像極具挑戰性,因此公司使用 ML (機器學習)和 DL (深度學習)技術為圖像生成正確的標簽。這可以使用基于一些標記數據識別和標記圖像的圖像分類器來實現。

      在本文中,讓我們使用 fastai 構建一個圖像分類器,并使用一個名為“ fastai”的庫來識別一些食物圖像。

      Fastai 簡介

      Fastai 是一個開源深度學習庫,它為從業者提供高級組件,可以快速輕松地在傳統深度學習領域產生最先進的結果。它使研究人員可以混合和組合低級組件以創建新技術。它旨在在不影響可用性、靈活性或性能的情況下實現這兩個目標。

      由于 fastai 是用 Python 編寫的,并且基于 PyTorch,因此需要 Python 知識才能理解本文。我們將在 Google Colab 中運行此代碼。除了 fastai,我們將使用圖形處理單元 (GPU) 以盡可能快地獲得結果。

      使用 Fastai 構建圖像分類器

      讓我們從安裝 fastai 庫開始:

      !pip install -Uqq fastai

      如果你使用的是 Anaconda,請運行以下命令:

      conda install -c fastchan fastai anaconda

      讓我們導入分類任務所需的包。該庫分為模塊,其中最常見的是表格、文本和視覺。因為我們手頭的任務包括視覺,所以我們從vision庫中導入我們需要的所有功能。

      from fastai.vision.all import *

      通過 fastai 庫可以獲得許多學術數據集。其中之一是 FOOD,它是 URL 下的URLs. FOOD

      第一步是獲取并提取我們需要的數據。我們將使用 untar_data 函數,它會自動下載數據集并解壓它。

      foodPath = untar_data(URLs.FOOD)

      該數據集包含 101,000 張圖像,分為 101 個食物類別,每個類別有 250 個測試圖像和 750 個訓練圖像。訓練中的圖像沒有被清理。所有圖像的大小都調整為每邊最大 512 像素。

      下一個命令將告訴我們必須處理多少圖像。

      len(get_image_files(foodPath))

      此外,使用以下命令,我們將打印 Food 數據集的元目錄的內容。

      print(os.listdir(foodPath))

      meta文件夾包含八個文件,其中四個是文本文件:train.txt、test.txt、classes.txt和labels.txt。train.txt 和 test.txt 文件分別包含訓練集和測試集的圖像列表。classes.txt 文件包含所有食品類別和標簽的列表。txt 提供了所有食品圖像標簽的列表。該目錄還包含一個帶有預訓練模型的 .h5 文件和一個包含 101,000 張 JPG 格式圖像的圖像文件夾。最后,訓練集和測試集以 JSON 格式提供。

      要查看所有圖像類別,我們將運行以下命令:

      image_dir_path = foodPath/'images'

      image_categories = os.listdir(image_dir_path)

      print(image_categories)

      然后,我們將執行以下命令以查看 101,000 張圖像集合中的示例圖像。

      img = PILImage.create('/root/.fastai/data/food-101/images/frozen_yogurt/1942235.jpg')

      img.show();

      我們將使用 pandas 函數讀取 JSON 格式的訓練和測試文件。JSON 是一種以人類可讀的形式存儲信息的數據格式。

      以下代碼從目錄中讀取 train.json 文件并將結果保存在 df_train 數據幀中。

      df_train=pd.read_json('/root/.fastai/data/food-101/train.json')

      然后可以使用 head() 函數打印數據幀的標題,如下所示。

      df_train.head()

      同樣,通過使用 pandas 函數,我們將讀取 test.json 文件并將其存儲在 df_test 數據幀中。

      df_test=pd.read_json('/root/.fastai/data/food-101/test.json')

      df_test.head()

      我們正在創建三個帶有我們選擇的食物名稱的標簽來對食物圖像進行分類。

      labelA = 'cheesecake'

      labelB = 'donuts'

      labelC= 'panna_cotta'

      現在我們將創建一個 for 循環,它將遍歷我們下載的所有圖像。在此循環的幫助下,我們將刪除沒有標簽 A、B 或 C 的圖像。此外,我們使用以下函數重命名具有各自標簽的圖像。

      for img in get_image_files(foodPath):

       if labelA in str(img):

        img.rename(f"{img.parent}/{labelA}-{img.name}")

       elif labelB in str(img):

         img.rename(f"{img.parent}/{labelB}-{img.name}")

       elif labelC in str(img):

         img.rename(f"{img.parent}/{labelC}-{img.name}")

       else: os.remove(img)

      讓我們使用以下命令檢查運行循環后獲得的圖像數量:

      len(get_image_files(foodPath))

      讓我們在三個選擇的食物中嘗試一個示例標簽,看看重命名是否正確。

      def GetLabel(fileName):

      return fileName.split('-')[0]

      GetLabel("cheesecake-1092082.jpg")

      以下代碼生成一個 DataLoaders 對象,該對象表示訓練和驗證數據的混合。

      dls = ImageDataLoaders.from_name_func(

         foodPath, get_image_files(foodPath), valid_pct=0.2, seed=42,

         label_func=GetLabel, item_tfms=Resize(224))

      dls.train.show_batch()

      在這種情況下,我們將:

      · 使用路徑選項指定下載和提取數據的位置。

      · 使用 get_image_ files 函數從指定位置收集所有文件名。

      · 對數據集使用 80–20 拆分。

      · 使用 GetLabel 函數從文件名中提取標簽。

      · 將所有圖像調整為相同大小,即 224 像素。

      · 使用 show_batch 函數生成一個輸出窗口,顯示帶有指定標簽的訓練圖像網格。

      是時候將模型放置到位了。使用 ResNet34 架構,我們將通過專注于稱為 vision_learner () 的單個函數調用來構建卷積神經網絡。

      vision_learner 函數(也稱為 cnn_learner)有利于訓練計算機視覺模型。它包括你的原始圖像數據集、預訓練模型 resnet34 和一個度量錯誤率,它決定了在驗證數據中錯誤識別的圖像的比例。resnet34 中的 34 指的是這種架構類型中的層數(其他選項有 18、50、101 和 152)。使用更多層的模型需要更長的訓練時間并且更容易過度擬合。

      Fastai 提供了一個“fine_tune”函數,用于調整預訓練模型,以使用我們選擇的數據解決我們的特定問題。為了訓練模型,我們將 epoch 數設置為 10。

      learn = vision_learner(dls, resnet34, metrics=error_rate, pretrained=True)

      learn.fine_tune(epochs=10)

      也可以通過將指標替換為“accuracy”來檢查相同模型的準確性。

      從上面的結果,我們可以說,即使只有 10 個 epoch,預訓練的 ResNet34 模型在多標簽分類任務中表現出 > 85% 的良好準確率。如果我們增加 epoch 的數量,模型的準確性可能會提高。

      現在,讓我們測試一些示例圖像來檢查我們的模型的性能。

      示例圖片 #1

      示例圖片 #2

      示例圖片 #3

      從上面的結果,我們可以說我們的模型能夠正確識別樣本圖像。

      訓練模型后,我們可以將其部署為 Web 應用程序供其他人使用。盡管 fastai 主要用于模型訓練,但你可以使用“learn.export”函數快速導出 PyTorch 模型以用于生產。

      結論

      在本教程中,我們學習了如何使用基于 PyTorch 的 fastai 構建食物圖像分類器?梢允褂 Heroku 或 Netlify 等服務部署此模型,以使此模型可用作 Web 應用程序。

      以下是本文的一些主要內容:

      我們可以使用 fastai 以最少的代碼建立深度學習模型。因此,fastai 使得使用 PyTorch 進行深度學習任務變得更加容易。

      食品分類對于計算機視覺應用來說是一項具有挑戰性的任務,因為根據裝飾和供應方式的不同,同一種食品在不同地方看起來可能會有很大差異。盡管如此,通過利用遷移學習的力量,我們可以使用預訓練模型來識別食品并對其進行正確分類。

      我們為此分類器使用了預訓練模型 ResNet34。但是,你可以使用其他預訓練模型,如 VGG、Inception、DenseNet 等,來構建你自己的模型。

       

      1作者:磐創AI 來源:通信界 編輯:顧北

       

      聲明:①凡本網注明“來源:通信界”的內容,版權均屬于通信界,未經允許禁止轉載、摘編,違者必究。經授權可轉載,須保持轉載文章、圖像、音視頻的完整性,并完整標注作者信息并注明“來源:通信界”。②凡本網注明“來源:XXX(非通信界)”的內容,均轉載自其它媒體,轉載目的在于傳遞更多行業信息,僅代表作者本人觀點,與本網無關。本網對文中陳述、觀點判斷保持中立,不對所包含內容的準確性、可靠性或完整性提供任何明示或暗示的保證。請讀者僅作參考,并請自行承擔全部責任。③如因內容涉及版權和其它問題,請自發布之日起30日內與本網聯系,我們將在第一時間刪除內容。 
      熱點動態
      普通新聞 中信科智聯亮相2023中國移動全球合作伙伴大會
      普通新聞 全球首個基于Data Channel的新通話商用網絡呼叫成功撥通
      普通新聞 中國聯通:以優質通信服務 助力“一帶一路”共建繁華
      普通新聞 楊杰:未來五年,智算規模復合增長率將超過50%
      普通新聞 長沙電信大樓火災調查報告發布:系未熄滅煙頭引燃,20余人被問責
      普通新聞 鄔賀銓:生態短板掣肘5G潛能發揮,AI有望成“破局之劍”
      普通新聞 工信部:加大對民營企業參與移動通信轉售等業務和服務創新的支持力
      普通新聞 摩爾線程亮相2023中國移動全球合作伙伴大會,全功能GPU加速云電腦體
      普通新聞 看齊微軟!谷歌表示將保護用戶免受人工智能版權訴訟
      普通新聞 聯想王傳東:AI能力已成為推動產業升級和生產力躍遷的利刃
      普通新聞 APUS李濤:中國的AI應用 只能生長在中國的大模型之上
      普通新聞 外媒:在電池競賽中,中國如何將世界遠遠甩在后面
      普通新聞 三星電子預計其盈利能力將再次下降
      普通新聞 報告稱華為5G專利全球第1 蘋果排名第12
      普通新聞 黨中央、國務院批準,工信部職責、機構、編制調整
      普通新聞 榮耀Magic Vs2系列正式發布,刷新橫向大內折手機輕薄紀錄
      普通新聞 GSMA首席技術官:全球連接數超15億,5G推動全行業數字化轉型
      普通新聞 北京聯通完成全球首個F5G-A“單纖百T”現網驗證,助力北京邁向萬兆
      普通新聞 中科曙光亮相2023中國移動全球合作伙伴大會
      普通新聞 最高補貼500萬元!哈爾濱市制定工業互聯網專項資金使用細則
      通信視界
      鄔賀銓:移動通信開啟5G-A新周期,云網融合/算
      普通對話 中興通訊徐子陽:強基慧智,共建數智熱帶雨
      普通對話 鄔賀銓:移動通信開啟5G-A新周期,云網融合
      普通對話 華為輪值董事長胡厚崑:我們正努力將5G-A帶
      普通對話 高通中國區董事長孟樸:5G與AI結合,助力提
      普通對話 雷軍發布小米年度演講:堅持做高端,擁抱大
      普通對話 聞庫:算網融合正值挑戰與機遇并存的關鍵階
      普通對話 工信部副部長張云明:我國算力總規模已居世
      普通對話 鄔賀銓:我國互聯網平臺企業發展的新一輪機
      普通對話 張志成:繼續加強海外知識產權保護工作 為助
      普通對話 吳春波:華為如何突破美國6次打壓的逆境?
      通信前瞻
      亨通光電實踐數字化工廠,“5G+光纖”助力新一
      普通對話 亨通光電實踐數字化工廠,“5G+光纖”助力新
      普通對話 中科院錢德沛:計算與網絡基礎設施的全面部
      普通對話 工信部趙志國:我國算力總規模居全球第二 保
      普通對話 鄔賀銓院士解讀ChatGPT等數字技術熱點
      普通對話 我國北方海區運用北斗三號短報文通信服務開
      普通對話 華為云Stack智能進化,三大舉措賦能政企深度
      普通對話 孟晚舟:“三大聚力”迎接數字化、智能化、
      普通對話 物聯網設備在智能工作場所技術中的作用
      普通對話 軟銀研發出以無人機探測災害被埋者手機信號
      普通對話 AI材料可自我學習并形成“肌肉記憶”
      普通對話 北斗三號衛星低能離子能譜儀載荷研制成功
      普通對話 為什么Wi-Fi6將成為未來物聯網的關鍵?
      普通對話 馬斯克出現在推特總部 收購應該沒有懸念了
      普通對話 臺積電澄清:未強迫員工休假或有任何無薪假
      普通對話 新一代載人運載火箭發動機研制獲重大突破
      推薦閱讀
      Copyright @ Cntxj.Net All Right Reserved 通信界 版權所有
      未經書面許可,禁止轉載、摘編、復制、鏡像
      亚洲超碰在线91,亚洲九九在线网站,亚洲精品欧美一级A片在线播放,亚洲精品4444