Crie um sistema preditivo para a classificação de imagens usando o Deep Learning as a Service – IBM Developer

Crie um sistema preditivo para a classificação de imagens usando o Deep Learning as a Service

Resumo

Neste padrão, saiba como criar e implementar modelos de deep learning usando um Jupyter Notebook em um ambiente do IBM Watson Studio. Você também criará experimentos de deep learning com otimização de hiper-parâmetros usando uma GUI do Watson Studio para o monitoramento de diferentes execuções e, em seguida, selecionará o melhor modelo para implementação.

Descrição

A visão computacional está em ascensão e pode haver cenários em que uma máquina precisa classificar imagens com base em suas classes para ajudar no processo de tomada de decisão. Neste padrão de código, demonstramos como fazer a classificação em várias classes (com três classes) usando o IBM® Watson™ Studio e o IBM Deep Learning as a Service. Usamos dados de posturas de yoga para identificar a classe de uma imagem fornecida. Essa metodologia pode ser aplicada a quaisquer domínio e conjunto de dados que exijam a classificação precisa de várias classes de imagens e pode ser ampliada para análise futura.

O IBM Deep Learning as a Service permite que as organizações superem os obstáculos comuns na implementação do deep learning: qualificações, padronização e complexidade. Ele engloba uma ampla variedade de estruturas de software livre populares como o TensorFlow, o Caffe, o PyTorch e outros, além de oferecê-los o serviço nativo da nuvem no IBM Cloud, reduzindo os obstáculos para a introdução do deep learning. Ele combina a flexibilidade, a facilidade de uso e a economia de um serviço de nuvem com o poder de computação do deep learning. Com APIs de REST fáceis de usar, é possível treinar modelos de deep learning com diferentes quantidades de recursos, de acordo com os requisitos do usuários e com os orçamentos.

Atualmente, o treinamento de redes neurais profundas é altamente complexo e requer o consumo intensivo de recursos de computação. Ele exige um sistema altamente ajustado com a combinação certa de software, drivers, poder de computação, memória, rede e recursos de armazenamento. Para realizar todo o potencial do deep learning, queremos que o acesso à tecnologia seja mais fácil para os desenvolvedores e cientistas de dados para que eles possam se concentrar mais naquilo que eles fazem melhor, ou seja, nos dados e em seus refinamentos, no treinamento de modelos de rede neural com automação em grandes conjuntos de dados e na criação de modelos de ponta.

Neste padrão de código, demonstramos como criar e implementar modelos de deep learning usando um Jupyter Notebook (usando uma CPU) em um ambiente do IBM Watson Studio. Você também criará experimentos de deep learning (usando uma CPU) com otimização de hiper-parâmetros usando uma GUI do Watson Studio para o monitoramento de diferentes execuções e, em seguida, selecionará o melhor modelo para implementação.

Ao concluir este padrão de código, você entenderá como:

  • Pré-processar as imagens para prepará-las para o desenvolvimento de modelo
  • Acessar os dados de imagem do IBM Cloud Object Storage e gravar a saída prevista no Cloud Object Storage
  • Criar um modelo de deep learning passo a passo (baseado em código) que inclua hiper-parâmetros flexíveis para classificar as imagens com precisão
  • Criar experimentos no Watson Studio (baseado em GUI) para a implementação de modelos modernos com a otimização de hiper-parâmetros
  • Criar visualizações para entender melhor as previsões do modelo
  • Interpretar a sumarização do modelo e gerar previsões usando dados de teste
  • Analisar os resultados para que o processamento adicional gere recomendações ou tome decisões conscientes

Fluxo

fluxo

  1. O usuário carrega dados de imagem no IBM Cloud Object Storage.
  2. O usuário acessa os dados em um Jupyter Notebook.
  3. O usuário executa o Notebook de modelo de linha de base que contém o modelo de CNN de deep learning, juntamente com os hyper-parâmetros ajustáveis.
  4. O Notebook é treinado nas imagens de amostra dos conjuntos de dados de treinamento e de validação e classifica as imagens de dados de teste usando o modelo de deep learning.
  5. O usuário pode classificar as imagens em diferentes classes usando um cliente REST.
  6. O usuário pode gravar a saída prevista no Cloud Object Storage em um formato .csv, que poderá ser transferido por download para análise adicional.

Instruções

Encontre as etapas detalhadas desse padrão no LEIA-ME. Essas etapas mostram como:

  1. Criar uma conta no IBM Cloud.
  2. Criar um novo projeto do Watson Studio.
  3. Criar o Notebook.
  4. Incluir os dados.
  5. Inserir as credenciais.
  6. Executar o Notebook.
  7. Analisar os resultados.
  8. Acessar o bucket do Cloud Object Storage.
  9. Executar o Notebook e publicá-lo no Watson Machine Learning.
  10. Criar experimentos usando a GPU para otimização de hyper-parâmetro.