Contente

• Preparando seu conjunto de dados
• Reivindique sua avaliação gratuita do Google Cloud Platform
• Crie um novo projeto GCP
• Habilite as APIs de armazenamento e nuvem AutoML
• Criar um bucket do Cloud Storage
• Hora de treinar: construindo seu conjunto de dados
• Treinando seu modelo de aprendizado de máquina
• Qual é a precisão do seu modelo?
• Coloque seu modelo à prova!
• Empacotando

O aprendizado de máquina (ML) é o conceito de ficção científica de computadores que se ensinam. No ML, você fornece alguns dados que representam o tipo de conteúdo que você deseja que o modelo de aprendizado de máquina processe automaticamente e, em seguida, o modelo ensina a si mesmo com base nesses dados.

O aprendizado de máquina pode ser de ponta, mas também possui um enorme barreira à entrada. Se você deseja usar qualquer tipo de ML, normalmente precisará contratar um especialista em aprendizado de máquina ou um cientista de dados, e essas duas profissões estão atualmente em uma demanda muito alta!

O Cloud AutoML Vision do Google é um novo serviço de aprendizado de máquina que visa levar o ML às massas, possibilitando a criação de um modelo de aprendizado de máquina, mesmo se você tiver zero experiência em ML. Usando o Cloud AutoML Vision, você pode criar um modelo de reconhecimento de imagem capaz de identificar conteúdo e padrões em fotografias e, em seguida, usar esse modelo para processar imagens subsequentes automaticamente.

Esse tipo de ML baseado em visual pode ser usado de várias maneiras diferentes. Deseja criar um aplicativo que forneça informações sobre um ponto de referência, produto ou código de barras para o qual o usuário está apontando o smartphone? Ou você deseja criar um poderoso sistema de pesquisa que permita aos usuários filtrar milhares de produtos com base em fatores como material, cor ou estilo? Cada vez mais, o aprendizado de máquina é uma das maneiras mais eficazes de fornecer esse tipo de funcionalidade.

Embora ainda esteja na versão beta, você já pode usar o Cloud AutoML Vision para criar modelos personalizados de aprendizado de máquina que identificam padrões e conteúdo nas fotos. Se você está ansioso para descobrir do que se trata todo o burburinho do aprendizado de máquina, neste artigo mostrarei como criar seu próprio modelo de reconhecimento de imagem e, em seguida, use-o para processar novas fotos automaticamente.

Preparando seu conjunto de dados

Ao trabalhar com o Cloud AutoML, você usará fotos rotuladas como seus conjuntos de dados. Você pode usar as fotos ou os rótulos que desejar, mas, para ajudar a manter esse tutorial direto, vou criar um modelo simples que pode distinguir entre fotos de cães e fotos de gatos.

Quaisquer que sejam as especificidades do seu modelo, o primeiro passo é obter algumas fotos apropriadas!

O Cloud AutoML Vision requer pelo menos 10 imagens por rótulo ou 50 para modelos avançados, por exemplo, modelos em que haverá vários rótulos por imagem. No entanto, quanto mais dados você fornecer, maiores serão as chances de o modelo identificar corretamente o conteúdo subsequente; portanto, os documentos do AutoML Vision recomendam que você use finalmente 100 exemplos por modelo. Você também deve fornecer aproximadamente o mesmo número de exemplos por rótulo, pois uma distribuição injusta incentivará o modelo a mostrar uma tendência à categoria mais "popular".

Para obter melhores resultados, suas imagens de treinamento devem representar a variedade de imagens que este modelo encontrará, por exemplo, pode ser necessário incluir imagens tiradas em ângulos diferentes, em resoluções mais altas e mais baixas e com diferentes planos de fundo. O AutoML Vision aceita imagens nos seguintes formatos: JPEG, PNG, WEBP, GIF, BMP, TIFF E ICO, com um tamanho máximo de arquivo de 30 MB.

Como estamos apenas experimentando o serviço Cloud AutoML Vision, é provável que você queira criar um conjunto de dados o mais rápido e fácil possível. Para ajudar a simplificar, baixarei um monte de fotos gratuitas de cães e gatos do Pexels e armazenarei as fotos de gatos e cães em pastas separadas, pois isso facilitará o upload dessas fotos posteriormente.

Observe que, ao criar conjuntos de dados para uso em produção, você deve levar em consideração as práticas de IA responsáveis, para ajudar a evitar tratamento prejudicial. Para obter mais informações sobre esse tópico, consulte os documentos Guia inclusivo de ML do Google e práticas de IA responsável.

Existem três maneiras de enviar seus dados para o AutoMl Vision:

• Carregue as imagens já classificadas em pastas que correspondem aos seus marcadores.
• Importe um arquivo CSV que contenha as imagens, além dos rótulos de categoria associados. Você pode fazer o upload dessas fotos no computador local ou no Google Cloud Storage.
• Carregue suas imagens usando a interface do usuário do Google Cloud AutoML Vision e aplique rótulos a cada imagem. Este é o método que usarei neste tutorial.

Reivindique sua avaliação gratuita do Google Cloud Platform

Para usar o Cloud AutoML Vision, você precisará de uma conta do Google Cloud Platform (GCP). Se você não possui uma conta, pode se inscrever para uma avaliação gratuita de 12 meses, acessando a página Experimente gratuitamente a plataforma na nuvem e siga as instruções. Vocês vai é necessário inserir os detalhes do seu cartão de débito ou crédito, mas, de acordo com as Perguntas frequentes da camada gratuita, elas são usadas apenas para verificar sua identidade e você não será cobrado a menos que faça o upgrade para uma conta paga.

O outro requisito é que você deve ativar o faturamento para o seu projeto AutoML. Se você acabou de se inscrever para uma avaliação gratuita ou se não possui nenhuma informação de faturamento associada à sua conta GPC, então:

• Vá para o console do GCP.
• Abra o menu de navegação (o ícone alinhado no canto superior esquerdo da tela).
• Selecione "Faturamento".
• Abra o menu suspenso "Meu faturamento", seguido de "Gerenciar contas de faturamento".
• Selecione "Criar conta" e siga as instruções na tela para criar um perfil de cobrança.

Crie um novo projeto GCP

Agora você está pronto para criar seu primeiro projeto do Cloud AutoML Vision:

• Vá para a página Gerenciar recursos.
• Clique em "Criar projeto".
• Dê um nome ao seu projeto e clique em "Criar".

Se você possui várias contas de cobrança, o GCP deve perguntar qual conta você deseja associar a este projeto. Se você tiver uma única conta de faturamento e você é o administrador de cobrança e essa conta será vinculada ao seu projeto automaticamente.

Como alternativa, você pode selecionar uma conta de cobrança manualmente:

• Abra o menu de navegação do console do GCP e selecione "Faturamento".
• Selecione "Vincular uma conta de cobrança".
• Selecione "Definir conta" e escolha a conta de cobrança que deseja associar a este projeto.

Habilite as APIs de armazenamento e nuvem AutoML

Ao criar seu modelo, você armazena todas as suas imagens de treinamento em um bucket do Cloud Storage, portanto, precisamos ativar o AutoML e APIs do Google Cloud Storage:

• Abra o menu de navegação do GCP e selecione "APIs e serviços> Painel".
• Clique em "Ativar APIs e serviços".
• Comece a digitar "Cloud AutoML API" e selecione-o quando aparecer.
• Escolha "Ativar".
• Volte para a tela "APIs e serviços> Painel> Ativar APIs e serviços".
• Comece a digitar “Google Cloud Storage” e selecione-o quando aparecer.
• Escolha "Ativar".

Criar um bucket do Cloud Storage

Criaremos nosso bucket de armazenamento em nuvem usando o Cloud Shell, que é uma máquina virtual on-line baseada em Linux:

• Selecione o ícone "Ativar Google Cloud Shell" na barra de cabeçalho (onde o cursor está posicionado na captura de tela a seguir).

• Uma sessão do Cloud Shell agora será aberta na parte inferior do console. Aguarde enquanto o Google Cloud Shell se conecta ao seu projeto.
• Copie / cole o seguinte comando no Google Cloud Shell:

PROJECT = $ (projeto de obtenção de valor da configuração do gcloud) && BUCKET = "$ {PROJECT} -vcm"

• Pressione a tecla “Enter” no seu teclado.
• Copie / cole o próximo comando no Google Cloud Shell:

gsutil mb -p $ {PROJECT} -c regional -l us-central1 gs: // $ {BUCKET}

• Pressione a tecla “Enter”.
• Conceda ao Serviço AutoML permissão para acessar seus recursos do Google Cloud, copiando / colando o seguinte comando e pressionando a tecla "Enter":

PROJECT = $ (projeto de obtenção de valor de configuração do gcloud) projetos do gcloud add-iam-binding-policy $ PROJECT --member = "serviceAccount: [email protected]" --role = "role / ml. admin "projetos gcloud add-iam-policy-binding $ PROJECT --member =" serviceAccount: [email protected] " --role =" role / storage.admin "

Hora de treinar: construindo seu conjunto de dados

Com essa configuração fora do caminho, agora estamos prontos para enviar nosso conjunto de dados! Isso involve:

1. Criando um conjunto de dados vazio.
2. Importando fotos para o conjunto de dados.
3. Atribuindo pelo menos um rótulo a cada foto. O AutoML Vision ignorará completamente as fotos que não possuem um rótulo.

Para facilitar o processo de etiquetagem, vou carregar e rotular todas as minhas fotos de cães antes de abordar as fotos de gatos:

• Vá para a interface do usuário do AutoML Vision (ainda em versão beta no momento da redação).
• Selecione "Novo conjunto de dados".
• Dê ao seu conjunto de dados um nome descritivo.
• Clique em "Selecionar arquivos".
• Na janela subseqüente, selecione todas as suas fotos de cães e clique em "Abrir".
• Como nossas imagens não têm mais de um rótulo, podemos deixar "Ativar classificação de vários rótulos" desmarcada. Clique em "Criar conjunto de dados".

Após a conclusão do upload, a interface do usuário do Cloud AutoML Vision levará você a uma tela que contém todas as suas imagens, além de um detalhamento dos rótulos aplicados a esse conjunto de dados.

Como atualmente nosso conjunto de dados contém apenas fotos de cães, podemos rotulá-los em massa:

• No menu à esquerda, selecione "Adicionar etiqueta".
• Digite "dog" e pressione a tecla "Enter" no teclado.
• Clique em "Selecionar todas as imagens".
• Abra o menu suspenso "Rótulo" e escolha "cachorro".

Agora, rotulamos todas as nossas fotos de cães, é hora de passar para as fotos de gatos:

• Selecione "Adicionar imagens" na barra de cabeçalho.
• Escolha "Carregar do seu computador".
• Selecione todas as suas fotos de gatos e clique em "Abrir".
• No menu à esquerda, selecione "Adicionar etiqueta".
• Digite "gato" e pressione a tecla "Enter" no seu teclado.
• Percorra e selecione cada foto de gato, passando o mouse sobre a imagem e clicando no pequeno ícone de marca de seleção quando ela aparecer.
• Abra o menu suspenso "Rótulo" e escolha "Gato".

Treinando seu modelo de aprendizado de máquina

Agora que temos nosso conjunto de dados, é hora de treinar nosso modelo! Você recebe um calcular hora de treinamento gratuito por modelo para até 10 modelos por mês, o que representa o uso interno da computação e, portanto, pode não estar relacionado a uma hora real no relógio.

Para treinar seu modelo, basta:

• Selecione a guia "Treinar" da interface do usuário do AutoML Vision.
• Clique em "Iniciar treinamento".

O tempo que o Cloud AutoML Vision leva para treinar seu modelo varia de acordo com a quantidade de dados que você forneceu, embora, de acordo com os documentos oficiais, demore cerca de 10 minutos. Após o treinamento do seu modelo, o Cloud AutoML Vision o implantará automaticamente e enviará um email notificando que seu modelo está pronto para uso.

Qual é a precisão do seu modelo?

Antes de testar seu modelo, convém fazer alguns ajustes para garantir que suas previsões sejam as mais precisas possíveis.

Selecione a guia "Avaliar" e, em seguida, selecione um dos seus filtros no menu à esquerda.

Nesse momento, a interface do usuário do AutoML Vision exibirá as seguintes informações para este rótulo:

• Limiar de pontuação. Esse é o nível de confiança que o modelo deve ter para atribuir um rótulo a uma nova foto. Você pode usar esse controle deslizante para testar o impacto que diferentes limites terão no seu conjunto de dados, monitorando os resultados no gráfico de recuperação de precisão que o acompanha. Limiares mais baixos significam que seu modelo classificará mais imagens, mas há um risco maior de identificar fotos incorretamente. Se o limite for alto, seu modelo classificará menos imagens, mas também deve identificar menos imagens.
• Precisão média. É assim que seu modelo executa em todos os limites de pontuação, sendo 1,0 a pontuação máxima.
• Precisão. Quanto maior a precisão, menor número de falsos positivos que você deve encontrar, e é aí que o modelo aplica o rótulo errado a uma imagem. Um modelo de alta precisão rotulará apenas os exemplos mais relevantes.
• Lembre-se. De todos os exemplos que deveriam ter sido atribuídos a um rótulo, o recall nos diz quantos deles foram realmente atribuídos a um rótulo. Quanto maior a porcentagem de recall, menos falsos negativos você deve encontrar, e é aí que o modelo falha ao rotular uma imagem.

Coloque seu modelo à prova!

Agora vem a parte divertida: verificar se o seu modelo pode identificar se uma foto contém um cachorro ou um gato, gerando uma previsão com base nos dados que não havia visto antes.

• Pegue uma foto que não estava incluído no seu conjunto de dados original.
• No AutoML Vision Console, selecione a guia "Prever".
• Selecione "Carregar imagens".
• Escolha a imagem que você deseja que o AutoML Vision analise.
• Após alguns instantes, seu modelo fará sua previsão - espero que esteja correto!

Observe que, embora a visão do Cloud AutoML esteja na versão beta, pode haver um atraso no aquecimento do seu modelo. Se sua solicitação retornar um erro, aguarde alguns segundos antes de tentar novamente.

Empacotando

Neste artigo, vimos como você pode usar o Cloud AutoML Vision para treinar e implantar um modelo de aprendizado personalizado. Você acha que ferramentas como o AutoML têm o potencial de atrair mais pessoas para o aprendizado de máquina? Deixe-nos saber nos comentários abaixo!