Klassifizieren von Bildern mit einem benutzerdefinierten Azure KI Vision-Modell

Mit Azure KI Vision können Sie benutzerdefinierte Modelle trainieren, um Objekte mit von Ihnen angegebenen Kennzeichnungen zu klassifizieren und zu erkennen. In diesem Lab erstellen wir ein benutzerdefiniertes Bildklassifizierungsmodell, um Bilder von Obst zu klassifizieren.

Klonen des Repositorys für diesen Kurs

Wenn Sie das Coderepository Azre KI Vision noch nicht in die Umgebung geklont haben, in der Sie an diesem Lab arbeiten werden, führen Sie die folgenden Schritte aus, um dies zu tun. Öffnen Sie andernfalls den geklonten Ordner in Visual Studio Code.

  1. Starten Sie Visual Studio Code.
  2. Öffnen Sie die Palette (UMSCHALT+STRG+P), und führen Sie einen Git: Clone-Befehl aus, um das Repository https://github.com/MicrosoftLearning/mslearn-ai-vision in einen lokalen Ordner zu klonen (der Ordner ist beliebig).
  3. Nachdem das Repository geklont wurde, öffnen Sie den Ordner in Visual Studio Code.

  4. Warten Sie, während zusätzliche Dateien zur Unterstützung der C#-Codeprojekte im Repository installiert werden.

    Hinweis: Wenn Sie aufgefordert werden, erforderliche Ressourcen zum Erstellen und Debuggen hinzuzufügen, wählen Sie Not now (Jetzt nicht) aus. Wenn die Meldung Azure-Funktionsprojekt im Ordner erkannt angezeigt wird, können Sie diese Nachricht sicher schließen.

Bereitstellen von Azure-Ressourcen

Wenn Sie noch keine in Ihrem Abonnement haben, müssen Sie eine Azure KI Services-Ressource bereitstellen.

  1. Öffnen Sie das Azure-Portal unter https://portal.azure.com, und melden Sie sich mit dem Microsoft-Konto an, das Ihrem Azure-Abonnement zugeordnet ist.
  2. Suchen Sie in der oberen Suchleiste nach Azure KI Services, wählen Sie Azure KI Services aus und erstellen Sie eine Azure KI Services Multi-Service-Kontoressource mit den folgenden Einstellungen:
    • Abonnement: Geben Sie Ihr Azure-Abonnement an.
    • Ressourcengruppe: Wählen Sie eine Ressourcengruppe aus, oder erstellen Sie eine (wenn Sie ein eingeschränktes Abonnement verwenden, sind Sie möglicherweise nicht berechtigt, eine neue Ressourcengruppe zu erstellen. Verwenden Sie dann die bereitgestellte Gruppe.)
    • Region: Wählen Sie aus „USA, Osten“, „Europa, Westen“ und „USA, Westen 2“ aus.*
    • Name: Geben Sie einen eindeutigen Namen ein.
    • Tarif: Standard S0.

    *Benutzerdefinierte Azure KI Vision 4.0-Modelltags sind derzeit nur in diesen Regionen verfügbar.

  3. Aktivieren Sie die erforderlichen Kontrollkästchen, und erstellen Sie die Ressource.

Außerdem benötigen wir ein Speicherkonto, um die Schulungsbilder zu speichern.

  1. Suchen Sie im Azure-Portal nach Speicherkonten, wählen Sie diese Option aus, und erstellen Sie ein neues Speicherkonto mit den folgenden Einstellungen:
    • Abonnement: Geben Sie Ihr Azure-Abonnement an.
    • Ressourcengruppe: Wählen Sie die gleiche Ressourcengruppe aus, in der Sie Ihre Azure KI Service-Ressource erstellt haben.
    • Speicherkontoname: customclassifySUFFIX
      • Hinweis: Ersetzen Sie das SUFFIX-Token durch Ihre Initialen oder einen anderen Wert, um sicherzustellen, dass der Ressourcenname global eindeutig ist.
    • Region: Wählen Sie dieselbe Region aus, die Sie für Ihre Azure KI Service-Ressource verwendet haben.
    • Primärer Dienst: Azure Blob Storage oder Azure Data Lake Storage Gen 2
    • Primäre Workload: Andere
    • Leistung: Standard
    • Redundanz: Lokal redundanter Speicher (LRS)
  2. Wechseln Sie während der Erstellung Ihres Speicherkontos zu Visual Studio Code, und erweitern Sie den Ordner Labfiles/02-image-classification.
  3. Wählen Sie in diesem Ordner replace.ps1 aus, und überprüfen Sie den Code. Sie sehen, dass der Name Ihres Speicherkontos durch den Platzhalter in einer JSON-Datei (der COCO-Datei) ersetzt wird, die wir in einem späteren Schritt verwenden. Ersetzen Sie den Platzhalter in der ersten Zeile nurfür die Datei mit dem Namen Ihres Speicherkontos. Speichern Sie die Datei .

  4. Klicken Sie mit der rechten Maustaste auf den Ordner 02-image-classification, und öffnen Sie ein integriertes Terminal. Führen Sie den folgenden Befehl aus.

     ./replace.ps1
  5. Sie können die COCO-Datei überprüfen, um sicherzustellen, dass Ihr Speicherkontoname vorhanden ist. Wählen Sie training-images/training_labels.json aus, und sehen Sie sich die ersten Einträge an. Im Feld absolute_url sollte ein ähnlicher Eintrag wie “https://myStorage.blob.core.windows.net/fruit/… zu sehen sein. Wenn die erwartete Änderung nicht angezeigt wird, vergewissern Sie sich, dass Sie nur den ersten Platzhalter im PowerShell-Skript aktualisiert haben.
  6. Schließen Sie sowohl die JSON- als auch die PowerShell-Datei, und wechseln Sie zurück in Ihr Browserfenster.
  7. Ihr Speicherkonto sollte vollständig erstellt sein. Wechseln Sie zum Speicherkonto.
  8. Aktivieren Sie den öffentlichen Zugriff für das Speicherkonto. Navigieren Sie im linken Bereich zu Konfiguration in der Gruppe Einstellungen, und aktivieren Sie Anonymen Blob-Zugriff zulassen. Wählen Sie Speichern aus.

  9. Wählen Sie im linken Bereich unter Datenspeicher die Option Container und erstellen Sie einen neuen Container mit dem Namen fruit. Legen Sie Anonyme Zugriffsebene auf Container (anonymer Lesezugriff für Container und Blobs) fest.

    Hinweis: Wenn Anonyme Zugriffsebene deaktiviert ist, aktualisieren Sie die Browserseite.

  10. Navigieren Sie zu fruit, wählen Sie Hochladen, und laden Sie die Bilder (und die eine JSON-Datei) in Labfiles/02-image-classification/training-images in diesen Container hoch.

Erstellen eines Trainingsprojekts mit benutzerdefiniertem Modell

Als Nächstes erstellen Sie ein neues Trainingsprojekt für die benutzerdefinierte Bildklassifizierung in Vision Studio.

  1. Navigieren Sie im Webbrowser zu https://portal.vision.cognitive.azure.com/ und melden Sie sich mit dem Microsoft-Konto an, in dem Sie Ihre Azure KI-Ressource erstellt haben.
  2. Wählen Sie die Kachel Modelle mit Bildern anpassen aus (zu finden auf der Registerkarte Bildanalyse, wenn sie nicht in der Standardansicht angezeigt wird).
  3. Wählen Sie das von Ihnen erstellte Azure KI Services-Konto aus.
  4. Wählen Sie in Ihrem Projekt oben Neues Dataset hinzufügen aus. Konfigurieren Sie mit den folgenden Einstellungen:
    • Datasetname: training_images
    • Modelltyp: Bildklassifizierung
    • Wählen Sie den Azure Blob Storage Container: Wählen Sie Container auswählen aus
      • Abonnement: Geben Sie Ihr Azure-Abonnement an.
      • Speicherkonto: Das Speicherkonto, das Sie erstellt haben.
      • BLOB-Container: Obst
    • Aktivieren Sie das Kontrollkästchen „Vision Studio das Lesen und Schreiben im Blobspeicher erlauben“.
  5. Wählen Sie das Dataset training_images aus.

An diesem Punkt bei der Projekterstellung wählen Sie in der Regel die Option Azure ML-Datenbeschriftungsprojekt erstellen und die Beschriftung für Ihre Bilder aus, wodurch eine COCO-Datei generiert wird. Probieren Sie dies einmal aus, wenn Sie Zeit haben, aber für dieses Lab haben wir die Bilder bereits für Sie beschriftet und die entsprechende COCO-Datei bereitgestellt.

  1. Wählen Sie COCO-Datei hinzufügen aus.
  2. Wählen Sie in der Dropdownliste COCO-Datei aus einem BLOB-Container importieren aus.
  3. Da Sie ihren Container namens fruit bereits verbunden haben, sucht Vision Studio darin nach einer COCO-Datei. Wählen Sie training_labels.json aus der Dropdownliste aus, und fügen Sie die COCO-Datei hinzu.
  4. Navigieren Sie auf der linken Seite zu Benutzerdefinierte Modelle und wählen Sie Neues Modell trainieren aus. Verwenden Sie folgende Einstellungen:
    • Name des Modells: classifyfruit
    • Modelltyp: Bildklassifizierung
    • Trainingsdataset auswählen: training_images
    • Belassen Sie die übrigen bei den Standardeinstellungen, und wählen Sie Modell trainieren aus.

Das Training kann einige Zeit in Anspruch nehmen – das Standardbudget beträgt bis zu einer Stunde, aber für dieses kleine Dataset geht es in der Regel viel schneller. Klicken Sie alle paar Minuten auf die Schaltfläche Aktualisieren, bis der Status des Auftrags Erfolgreich ist. Wählen Sie das Modell aus.

Hier können Sie die Leistung des Trainingsauftrags anzeigen. Überprüfen Sie die Genauigkeit und Korrektheit des trainierten Modells.

Testen Ihres benutzerdefinierten Modells

Ihr Modell wurde trainiert und kann getestet werden.

  1. Wählen Sie oben auf der Seite für Ihr benutzerdefiniertes Modell die Option Ausprobieren aus.
  2. Wählen Sie das Modell classifyfruit aus der Dropdownliste aus und geben Sie an, welches Modell Sie verwenden wollen, und navigieren Sie zum Ordner 02-image-classification\test-images.
  3. Wählen Sie jedes Bild aus, und zeigen Sie die Ergebnisse an. Wählen Sie die Registerkarte JSON im Ergebnisfeld aus, um die vollständige JSON-Antwort zu untersuchen.

Bereinigen von Ressourcen

Wenn Sie die in diesem Lab erstellten Azure-Ressourcen nicht für andere Trainingmodule verwenden, können Sie sie löschen, um weitere Gebühren zu vermeiden.

  1. Öffnen Sie das Azure-Portal unter https://portal.azure.com, und suchen Sie in der oberen Suchleiste nach den Ressourcen, die Sie in diesem Lab erstellt haben.

  2. Wählen Sie auf der Ressourcenseite Löschen aus, und folgen Sie den Anweisungen zum Löschen der Ressource. Alternativ können Sie die gesamte Ressourcengruppe löschen, um alle Ressourcen gleichzeitig zu bereinigen.