[Perkongsian Teknikal] Guna Google Vision API untuk Bezakan Sotong Biasa, Sotong Torak, Sotong Katak dan Sotong Squid dalam Sesaat — Tak Lagi Kena Tipu di Pasar

Kali ini saya mahu menggunakan Google Vision API untuk membina model pengecaman imej yang membezakan sotong biasa (neritic squid), sotong torak, sotong katak dan sotong squid. Sangat sesuai untuk ibu-ibu yang kurang arif tentang Machine Learning tetapi perlu ke pasar. (Saya tahu persilangan dua kumpulan ini mungkin null.)

Terus kepada intinya, Vision API ialah perkhidmatan Google yang membolehkan sesiapa yang tidak tahu membina model Machine Learning sendiri mencipta pengelas imej dengan mudah.

Jika mahu mengenali Machine Learning, boleh baca artikel ini.

Latihan kali ini lebih kurang terdiri daripada langkah berikut:

1. Daftar projek GCP dan aktifkan GCP AutoML
2. Kumpul imej haiwan moluska sepuluh lengan ini
3. Cipta storage bucket di GCP dan muat naik imej
4. Buka halaman AutoML dan gerakkan jari untuk siapkan model

Mudah sangat, kan?

Sebelum bermula, saya cadangkan anda fahami dahulu perbezaan antara sotong biasa, sotong torak, sotong katak, sotong squid dan sotong kurita. Saya syorkan video ini.

Baiklah! Langkah pertama, daftar GCP. Untuk bahagian ini, sila tonton video ini dan ikut langkah demi langkah.

Selepas mendaftar GCP, pergi ke halaman AutoML dan pastikan API sudah diaktifkan (Enable).

Selepas itu, kita boleh cari imej sotong biasa, sotong torak dan sebagainya di Google, kemudian simpan secara berasingan dalam folder yang telah disediakan. Struktur folder adalah seperti berikut:

seafood 
- cuttlefish        
- neritic        
- softneritic        
- squid        
- octopus

‍

• cuttlefish ialah sotong katak
• neritic ialah sotong biasa (termasuk sotong kecil)
• softneritic ialah sotong torak
• squid ialah sotong squid (jenis yang biasa dijadikan sotong kering)
• octopus ialah sotong kurita

‍

Semasa mengumpul imej, saya menghadapi satu masalah: terlalu banyak imej yang menunjukkan sotong yang sudah dimasak, dan ini akan menjejaskan keberkesanan pembelajaran model. Jadi saya pilih beberapa imej; sesiapa yang berminat untuk mencuba boleh muat turun di sini!

Selepas dinyahzip, anda sepatutnya nampak lima folder yang sudah berisi imej, serta fail index.csv dan test.py.

Kandungan index.csv adalah seperti berikut:

‍

gs://first-850611-vcm/seafood/cuttlefish/0_demo.jpg,cuttlefish
gs://first-850611-vcm/seafood/cuttlefish/1_demo.jpg,cuttlefish
gs://first-850611-vcm/seafood/cuttlefish/2_demo.jpg,cuttlefish
gs://first-850611-vcm/seafood/cuttlefish/3_demo.jpg,cuttlefish
...

‍

Inilah fail yang akan kita berikan kepada AutoML nanti.

test.py pula ialah fail Python yang saya tulis untuk menyusun imej yang dimuat turun dan menjana index.csv.

Jika anda sudah memuat turun fail zip saya, tahniah, anda sudah separuh jalan!

Langkah ketiga, kita perlu cipta bucket dalam GCP Storage, dan namanya mesti

<your-project-id>-vcm

Sebagai contoh, bucket yang saya cipta bernama first-850611-vcm.

Selepas dicipta, buat folder bernama seafood di dalam first-850611-vcm, kemudian muat naik cuttlefish, neritic, softneritic, squid, octopus dan index.csv ke dalam folder seafood.

Sampai di sini, langkah ketiga selesai!

Langkah terakhir, buka halaman AutoML, pilih nama projek anda di penjuru kanan atas, dan klik Get started with AutoML.

Kemudian klik NEW DATASET di bahagian atas untuk menambah data yang akan dipelajari.

Masukkan Dataset name; apa-apa nama pun boleh asalkan anda kenal.

Kemudian pilih Select a CSV dan masukkan

gs://<your-project-id>-vcm/seafood/index.csv

‍

Contohnya, saya akan masukkan

gs://first-850611-vcm/seafood/index.csv

‍

Kemudian klik CREATE DATASET dan tunggu data latihan dimuat naik.

Selepas dimuat naik, imej dan label yang akan dilatih akan dipaparkan!

Seterusnya klik TRAIN di bahagian atas untuk mula melatih.

Ia akan memberi amaran lebih kurang begini: imej kita terlalu sedikit~

Sebagai jurutera, kalau menang kita mara, kalau kalah kita berundur; tapi untuk yang ini tak perlu takut, latih saja. Mari kita sama-sama klik START TRAINING dengan berani.

‍

Untuk Training budget, pilih pelan free, kemudian klik START

Selepas menunggu lama, apabila model selesai dilatih, klik PREDICT di bahagian atas untuk menguji hasil pembelajaran model.

Kita akan memuat naik satu foto sotong biasa dan satu foto sotong squid untuk dikenal pasti oleh model.

Hasil ramalan model kita adalah seperti gambar di bawah

Seperti yang anda lihat, Google memang sangat hebat!!!!!!!!!!!

Apa guna lagi jurutera Machine Learning? Jurutera Machine Learning semua boleh berhenti kerja dan jadi penjual ikan QQ

Baiklah! Harus diakui, Vision AutoML memang hebat; dengan imej yang begitu sedikit pun ia masih boleh belajar dengan begitu tepat.

Benda yang seronok begini tidak boleh berhenti di sini. Dalam bab seterusnya, kita akan kaji cara menyambungkan API model ini supaya ibu baharu benar-benar boleh menggunakannya, dan tidak lagi dimarahi ibu mertua kerana tersalah beli sotong squid sebagai sotong biasa. Inilah senjata pamungkas untuk menyelesaikan masalah menantu dan mertua!!

Ruangan iklan:

Jika syarikat anda memerlukan sebarang fungsi yang mengintegrasikan Machine Learning dalam chatbot LINE, seperti pengecaman imej, pengecaman suara atau pengecaman video, sila hantar e-mel ke alamat di bawah untuk bertanya.

service@oakmega.com