Feladat – A modell üzembe helyezése és a végpont használata

• 5 perc

A modellünk kielégítő szinten teljesít, ezért helyezzük üzembe!

Az üzembe helyezéshez különböző lehetőségek állnak rendelkezésre. A választott beállítás attól függ, hogyan szeretné használni a gépi tanulási modellt. Üzembe helyezheti egy végponton, vagy exportálhatja a modellt, hogy különböző platformokon telepítsen.

Mi most azt vizsgáljuk meg, hogyan tudja a modellt egy végponton üzembe helyezni és felhasználni egy alkalmazásban.

Üzembe helyezés végponton

A modell végponton való üzembe helyezéséhez le kell kérni az előrejelzési URL-címet, vagy egy Python-alkalmazásban kell felhasználni az API-t.

Az előrejelzési URL-cím lekérése

1. A Custom Vision portál felső menüsávján válassza a Teljesítmény lehetőséget.

2. Válassza a Közzététel lehetőséget.

3. A Közzétételi modellben válassza az Előrejelzési erőforrás lehetőséget, majd válassza ki a Custom Vision-projekt előrejelzésének nevét. Válassza a Közzététel lehetőséget.

   

   A modell közzététele után a modell műveletei módosulnak a Custom Vision portálon.

4. Válassza az Előrejelzés URL-címét .

5. Az előrejelzési API használata esetén a Ha kép URL-címének megfelelő szövegmezőben másolja és mentse az értéket, majd válassza a Got it (Beírás) lehetőséget.

   

Az API felhasználása Python-alkalmazásban

Ha a modell betanítása és végrehajtása megfelelő pontossággal történik, a modell készen áll a használatra az alkalmazásban.

1. Az Azure Portalon nyissa meg a Custom Vision-erőforrást tartalmazó erőforráscsoportot. Megjelenik egy YourCustomVisionResourceName-Prediction>erőforrás az eredeti erőforráscsoporttal.

   

2. Válassza ki az előrejelzés nevét az Áttekintés lap megnyitásához. Ez a lap olyan erőforrásokra mutató hivatkozásokat tartalmaz, amelyek segítségével többet tudhat meg arról, hogyan hívhatja meg az API-t, hogy előrejelzéseket kapjon a modelltől.

3. Az Első lépések szakaszban, a 3. szakaszban válassza a Python rövid útmutató hivatkozását. Megnyílik az Azure AI-szolgáltatások pythonos rendszerképbesorolási rövid útmutatója a webböngészőben.

   

   Íme egy példa az előrejelzési API Pythonban való meghívására szolgáló mintakódra. A teljes kódért tekintse meg a rövid útmutatót.

   from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
   
   # Create variables for your resource; replace variables with valid values.
   prediction_key = "<YourKey>"
   endpoint = "<YourEndpoint>"
   base_image_url = "<BasePathToImageFolder>"
   
   # An example of a default iteration name is "Iteration1".
   publish_iteration_name = "<PublishedIterationName>"
   
   # You can find the project ID in the settings of the Custom Vision project in the portal.
   project.id = "<CustomVisionProjectId>"
   
   # Now, you have a trained endpoint that you can use to make a prediction.
   prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
   
   predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
   
   with open(base_image_url + "images/Test/test_image.jpg", "rb") as image_contents:
       results = predictor.classify_image(
           project.id, publish_iteration_name, image_contents.read())
   
   # Display the results.
   for prediction in results.predictions:
       print("\t" + prediction.tag_name +
            ": {0:.2f}%".format(prediction.probability * 100))
   

Amikor közzéteszi a közzétett végpontot, az alábbi példához hasonló eredményt kap. Megjelenik a Custom Vision-modell betanításánál használt összes címke, pontszám szerint csökkenő sorba rendezve. A modell csak azokat a madárfajokat ismeri fel, amelyek felismerésére betanította. Ha egy olyan madár képét küldi el, amelynek felismerésére nem tanította be a modellt, akkor a modell előrejelezés során az egyik betanításkor használt madárfajt rendeli hozzá az újonnan megadott madárhoz.

American Crow: 99.18%
Common Grackle: 25.34%
Red-tailed Hawk (Dark morph): 4.09%
Mourning Dove: 1.74%
American Robin (Adult): 0.92%
House Sparrow (Female): 0.40%
American Robin (Juvenile): 0.31%
Northern Cardinal (Adult Male): 0.24%
Tufted Titmouse: 0.04%
Blue Jay: 0.04%
House Sparrow (Male): 0.04%
Northern Cardinal (Female): 0.04%
Red-tailed Hawk (Light morph immature): 0.02%
American Goldfinch (Male): 0.02%
House Wren: 0.01%
American Goldfinch (Female): 0.01%

Most már rendelkezik tapasztalattal a létrehozott gépi tanulási modell használatával. Az elemezni kívánt új adatokkal jobban dokumentálhatja a madárszokásokat a madár élőhelyének megőrzéséhez és a veszélyeztetett madárpopulációk számának növeléséhez. Mindezt az Azure AI Custom Vision segítségével!