开源技术 * IBM 微讲堂:Kubeflow 系列(观看回放 | 下载讲义) 了解详情

验证计算机视觉深度学习模型

此 Code Pattern 已纳入 IBM Maximo Visual Inspection 入门学习路径

摘要

在训练和部署深度学习计算机视觉模型之后,通常需要使用新测试数据定期(或连续)评估模型。此开发者 Code Pattern 提供了一个 Jupyter Notebook,用于获取具有已知“真值”类别的测试图像,并评估推断结果与真实情况。

概览

我们将使用 Jupyter Notebook 来评估 IBM Maximo Visual Inspection 图像分类模型。您可以使用提供的示例训练模型,或者测试您自己部署的模型。Notebook 将使用测试图像,这些图像被分到多个目录中,指明预期的分类情况。这些预期的分类被认为是“真值”。将调用已部署模型的 API 端点,用于收集每个图像的推断结果。然后使用收集的结果来评估实际的模型性能。通过显示混淆矩阵并计算用于测量模型准确度的各种最常见统计数据,证明模型准确度。

完成本 Code Pattern 后,您将掌握如何:

  • 使用 IBM Maximo Visual Inspection 训练和部署图像分类模型
  • 运行 Jupyter Notebook
  • 使用各种准确度统计数据来评估结果
  • 使用新的测试数据集来验证现有的已部署模型

流程

Validate deep learning models flow

这些步骤将展示如何:

  1. 创建数据集。
  2. 训练模型进行图像分类。
  3. 将其部署到 REST API 端点。
  4. 使用新数据来验证模型。

操作说明

README 文件中可找到本 Pattern 的详细步骤。了解如何:

  1. 克隆存储库。
  2. 登录至 IBM Maximo Visual Inspection。
  3. 创建数据集。
  4. 为图像指定类别。
  5. 训练模型。
  6. 部署并测试。
  7. 运行该 Notebook。
  8. 分析结果。

本文翻译自:Validate computer vision deep learning models(2019-6-17)