Press "Enter" to skip to content

使用 PowerAI Vision 检测对象

开发者可以利用深度学习框架,构建计算机视觉和对象检测应用。通过使用 PowerAI Vision 来训练和部署您的模型,无需专业知识,且省时省力。PowerAI Vision 提供了一个 UI,您无需具备任何深度学习知识,即可在此训练、部署和测试自己的对象检测模型。

 

在此操作指南中,您将学习如何使用 PowerAI Vision UI 将示例图像转变为可用于对象检测应用的 REST 端点。

 

截止 2017 年 12 月,PowerAI Vision 提供了技术预览版,该预览版可以安装在 Power Systems 上,也可以在云端通过试用帐户来使用。

 

注意:此操作指南编写时采用的是 PowerAI Vision 技术预览版 v3.0

 

学习目标

 

本教程的目标是向您展示对象检测的深度学习基础知识,同时演示如何利用 PowerAI Vision UI 来及其轻松地进行对象检测。这种实践方法旨在完成以下目标:

创建并标记一个用于对象检测的数据集
基于该数据集训练和部署模型
通过 REST 调用来测试该模型

框架搭建、利用 GPU 计算能力和提供您的模型作为 REST 端点的详细信息大都处于隐藏状态,因为这些都是由 PowerAI Vision 来处理的。

 

最终结果就是一个随时可用的定制对象检测 API。

 

前提条件

示例图像集合

:您可以选择自己的图像 集合。应记住对象检测用例。您需要了解用例在 以下一方面或两方面的信息:

图像中的目标对象位于何处?
图像中的目标对象数量有多少?

在示例图像中,您将看到我们已经收集了可乐瓶的 图像。这样即可创建应用来计算瓶子数量 及其位置。

对 PowerAI Vision 的预览访问权 :访问 试用 Power AI , 使用 On Premise 下载安装程序以在您的 Power Systems 上部署预览版,或者使用 SuperVessel 并注册访问 SuperVessel 云,您可以在该云中试用预览版。

注意:此操作指南中的步骤和示例假定您使用的是 SuperVessel

 

预估时间

 

交互步骤耗时不超过一小时,但训练任务可能需要超过一小时才能完成(预计 90 分钟,具体时间因您的数据集和其他因素而异)。您可根据情况制定相应的计划,开始练习、中途休息,稍后再完成练习。

 

步骤

 

登录到 PowerAI Vision
创建数据集
创建标签并标记对象
创建深度学习任务
部署并测试

 

登录到 PowerAI Vision

 

如果使用的是 SuperVessel,请通过以下地址登录: https://ny1.ptopenlab.com/AIVision/index.html

 

创建数据集

 

PowerAI Vision Object Detection 可发现并标记图像中的对象,支持用户和开发者根据定制训练对图像内的对象实例进行计数。

 

通过以下操作为对象检测训练创建新数据集:

My Data Sets 视图中,单击 Add Dataset 按钮,然后在下拉列表中选择 For Object Detection

为数据集提供名称,然后单击 Add Dataset

使用拖放功能或 Select some 来上传一个或多个图像。您可以使用 zip 文件或者使用多选一次性上传多个文件。如果要下载可乐瓶示例数据集,可 单击此处

注意:如果您使用的是自己的 zip 文件,并且上传后看不到文件缩略图,那幺表示上传失败。文件名应使用不含特殊字符或空格的小写字母。您还可以上传单个文件或者一次性多选几个文件,以确定导致上传失败的文件。

 

创建标签并标记对象

单击 + 图标添加新标签,以便创建一个或多个标签。每个标签都根据特定用例表示图像内的训练对象。
选择标签并框选图像中的对象来标记每个图像中的对象。对每个图像完成操作后都按 Save
针对所有标签和图像重复此过程。

提示:使用 Only Show Unlabeled Files 下拉列表来帮助您确定自己是否已完成操作。

单击 Export As Zip File 以保存工作副本。现在您已花了些时间进行标记,此 zip 可用于从头开始而不会丢失工作进度。

创建深度学习任务

单击 My Workspace 下的 My DL Tasks ,然后单击 Create New Task 按钮。单击 Object Detection。
为 Object Detector 命名,确保已选中您的数据集,然后单击 Build Model

将显示一个确认对话框,其中给出了预计所需时间。 单击 Create New Task 开始操作。

部署和测试

构建模型后,单击 Deploy and Test

在 PowerAI Vision UI 中测试模型。使用 Select some 来选择测试图像。结果会显示检测到的对象数量,并且显示带有边框、标签和置信度评分的图像。

通过命令行,您可使用图像文件和 curl

命令来测试部署的 REST 端点。注意,输出 JSON 会显示检测到多个瓶子,并提供每个瓶子的置信度、标签和位置。

警告:为方便起见,此示例使用了 --insecure

 

$ curl --insecure -i -F files=@coke_bottle_23.png https://ny1.ptopenlab.com/AIVision/api/dlapis/9f9d6787-0183-4a1b-be49-751b6ca16724
HTTP/1.1 100 Continue
HTTP/1.1 200 OK
Server: nginx/1.9.13
Date: Thu, 14 Dec 2017 21:58:26 GMT
Content-Type: application/json
Content-Length: 508
Connection: keep-alive
Access-Control-Allow-Origin: *
Access-Control-Allow-Headers: origin, content-type, accept, authorization
Access-Control-Allow-Credentials: true
Access-Control-Allow-Methods: GET, POST, PUT, DELETE, OPTIONS, HEAD
Access-Control-Allow-Origin: *
{ "classified" : [ { "confidence" : 0.9986369013786316 , "ymax" : 578 , "label" : "coca-cola" , "xmax" : 755 , "xmin" : 588 , "ymin" : 29} , { "confidence" : 0.9954010248184204 , "ymax" : 592 , "label" : "coca-cola" , "xmax" : 601 , "xmin" : 437 , "ymin" : 10} , { "confidence" : 0.8161203265190125 , "ymax" : 567 , "label" : "coca-cola" , "xmax" : 426 , "xmin" : 259 , "ymin" : 17}] , "imageUrl" : "http://ny1.ptopenlab.com:443/AIVision/temp/5a26dd3b-d8ba-4e01-8b93-5a43f28e97c7.png" , "result" : "success"}

 

结束语

 

现在您已了解了深度学习技术如何从标记的示例图像中学习,并创建对象检测 API。由于您已创建了以 JSON 格式返回结果的 REST 端点,因此它非常便于在任何应用中使用。

 

PowerAI Vision 简化了所有操作,并利用 GPU 计算能力加速了训练进程。

 

对象检测的准确性将取决于所提供的示例。用于试验的数据集大部分情况下都太小,无法提供生产级结果。训练需要时间和良好的训练数据。您可以增大自己的数据集,进而改进结果。

 

参考资源

对象检测 :维基百科对于对象检测的解释。
PowerAI Vision:深度学习和 PowerAI 开发。
TensorFlow Object Detection :借助 TensorFlow Object Detection API 为计算机视觉模型提供超强动力。
AI 文章 :人工智能技术识别图片的能力能否高于人类?
来自开发者:IBM PowerAI Vision 可加快迁移学习速度并提高准确性 – 现实生活中的一个例子。

本文翻译自: Detect objects with PowerAI Vision (2017-12-22)

Be First to Comment

发表回复

您的电子邮箱地址不会被公开。 必填项已用*标注