Как построить (легко) модель для классификации изображений

Дождливый день — но может быть и солнечный день — спешка на работу и пробки, которые все усложняют — но это может быть и невнимательность водителя: в некоторых случаях результатом всего этого может быть дорожно-транспортное происшествие, возможно, легкое столкновение двух автомобилей, что могло привести к некоторым ущербам обеим машинам.

Нет, катастрофы не настолько масштабны, чтобы автомобильные аварии происходили везде.

Мы просто хотим сказать, что, к сожалению, каждый день средняя и малая страховая компания получает от страхователей множество отчетов об инцидентах, сопровождаемых фотографиями повреждений автомобиля. Затем все эти изображения необходимо классифицировать по определенным категориям, включая, например, степень повреждения.

Процесс, который, если он выполняется вручную, влечет за собой большие временные затраты для операторов, которым приходится с ним иметь дело, и который, в конце концов, может сделать анализ всего страхового файла слишком длительным процессом.

Внедрение искусственного интеллекта в бизнес-процессы означает оптимизацию и ускорение таких задач; делая это с помощью платформы с низким кодом, такой как LOKO AI, тогда все становится еще проще и быстрее.

В этой статье мы объясним, как выполнить классификацию изображений с помощью нашего компонента Vision с Transfer Learning или предварительно обученной нейронной сетью. strong>, в зависимости от типа классификации, который вам нужен для ваших данных.

Перенос обучения

Vision — это специализированная версия для классификации изображений Predictor, нашего превосходного компонента машинного обучения. Вы можете использовать его с трансферным обучением, если вам нужна индивидуальная классификация, например: у вас есть набор из 250 изображений поврежденных транспортных средств, и вам нужно классифицировать их по типу повреждения.

Это довольно подробная классификация, потому что вы не будете просто знать, являются ли они на изображениях автомобилями или животными: в этом случае, по сути, будет достаточно использовать Vision с предварительно обученными нейронными сети. Вместо этого, чтобы иметь более четко сформулированную классификацию, вам потребуется трансферное обучение.

Для начала откройте свой проект в LOKO AI и перетащите желтый компонент Vision на рабочую область.

Как видите, у Vision есть 4 входа: Создать, Подогнать, Прогнозировать, Информация и Удалить.

  1. Откройте окно конфигурации компонента и в разделе «Создать» введите имя вашей модели и выберите предварительно обученный Keras тот, который вы можете найти в список.
  2. Теперь перетащите компонент Trigger в рабочую область, свяжите его с вводом Create и нажмите кнопку воспроизведения.
  3. Затем возьмите компонент File Reader: из окна конфигурации вам нужно будет загрузить и выбрать заархивированную папку, содержащую все 250 изображений, собранных в папках. , исходя из классификации, которую вы хотите получить. Каждая из этих папок будет иметь в качестве имени ярлык, который вы хотите присвоить этой группе изображений.
  4. Вместо этого в Vision вам придется снова открыть окно конфигурации, чтобы настроить ввод Подгонка, заполнив раздел «Параметры подгонки». Здесь вам нужно будет выбрать только ранее созданную модель.
  5. Подключите File Reader к Vision через вход Fit и запустите процесс.

Теперь пришло время для прогнозирования, для тестирования или на непомеченных изображениях.

Сделать это,

  1. Получите новый компонент File Reader, загрузите и выберите изображение или заархивированную папку, которую вы хотите использовать, и в Vision Predict снова выберите модель.
  2. затем выберите, следует ли получать результаты по доверию модели к классификации (выбрав Predict Proba при значении true) и следует ли иметь классификацию с несколькими ярлыками (выбирая несколько ярлыков и, в конечном итоге, пороговое значение, которое вы хотите применить).

Предварительно обученные нейронные сети

Использование предварительно обученных нейронных сетей на LOKO AI запрашивает два шага:

  1. перетащите компонент File Reader в рабочую область и выберите файл изображения (или заархивированную папку), относительно которого вы хотите делать прогнозы.
  2. перетащите компонент Vision на рабочую область и настройте вход Predict в параметрах Predict, выбрав предпочитаемую модель Keras Pre-Trained из списка моделей; затем свяжите выход File Reader с вводом Predict Vision.

Теперь начните процесс и составьте свою классификацию!

Помните: независимо от того, используете ли вы предварительно обученный метод или метод трансферного обучения, вы можете манипулировать результатами, полученными благодаря множеству компонентов LOKO AI, чтобы сделать их сразу же пригодными для использования.

Примеры: вы можете сохранить полученные классификации и пути к эталонным изображениям в программе чтения csv (компонент CSV Reader) или в базе данных (Хранилище). em>), чтобы с ними можно было напрямую консультироваться и/или ими можно было манипулировать.