这期内容当中小编将会给大家带来有关如何使用ModelArts的自动学习识别毒蘑菇分类,文章内容丰富且以专业的角度为大家分析和叙述,阅读完这篇文章希望大家可以有所收获。
想当年,白雪公主吃了毒蘑菇,换来了白马王子的一吻。如果白雪公主没有吃毒蘑菇,还会遇到白马王子吗?张小白觉得不见得——说不定她会遇到张小白。张小白给她AI MindSpore Lite推理了一下,她就不会中毒,也就会钟情于张小白的AI的神奇,也就不会移情给白马王子了。
为了早日给白雪公主安利一下毒蘑菇的知识点,张小白今天就写下了这篇通过ModelArts自动学习进行毒蘑菇分类的文字,希望白雪公主能够看到,并关注点个赞什么的。
ModelArts的自动学习功能也就几步:
(1)准备毒蘑菇数据集
(2)创建自动学习项目,进行数据标注
(3)对数据集进行模型训练
(4)将训练好的模型部署上线
(5)测试已部署上线的服务,进行蘑菇图片的推理。
先来创建数据集:首先把毒蘑菇的数据集准备好,点击以下链接下载zip包:
https://ascend-tutorials.obs.cn-north-4.myhuaweicloud.com/resnet-50/demo/ResNet-50%E8%BF%9B%E9%98%B6%E4%BD%9C%E4%B8%9A%E4%B8%80%E9%94%AE%E4%B8%8B%E8%BD%BD%E5%8C%85.zip
文件有951M,耐心下载。下载完毕后将其解压,
打开mushrooms/train文件夹,下面存放了毒蘑菇图片的9个分类。
将这些图片(带目录)上传到自己的OBS桶中。
张小白上传的OBS路径为是obs://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/
然后,新建一个dataset-dumogu数据集:
由于OBS里面是按照目录分类的,可以先导入第一个目录,如上图所示。
输入:/mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/
输出:/mindspore-21day-tutorials/resnet-50-2/output-mindspore/
创建后,可以先将目前导入的图片全部标注为Agaricus。
标注完这一类之后,可以在这个数据集上面点击”导入“
填入第二个分类的OBS位置:
点击确定。
系统会进行该目录数据集的导入任务。
导入完毕,可以当看到 已标注的个数和整个数据集的数量:
本次导入的图片(数据集)会是未标注状态:
此时可将点击图片下方每页显示的最大数量跳到最大(目前是60),然后再选择”选择当前页“.
并在标签名中输入这类未标注的图片的标签,如Suillus,点击确认。
可看到未标注的数量在减少,而已标注为Suillus的图片数量在增加:
如此反复标注 未标注的图片,直到未标注的图片全部标注完毕,然后再进行其他目录(其他类别)的数据集的导入和标注。如此反复,直到标注完全结束。
(这确实是一个体力活,人称”数据标注工程师“。)
好了,我们的数据集就准备好了。
在标注完之后,ModelArts会在 前面设置的输出目录下生成以下目录:
这之下又有5个目录:
其中annotation目录是标注文件目录,里面内容为:
V002.manifest。
打开后,具体内容如下:
{"annotation":[{"name":"Cortinarius","type":"modelarts/image_classification","creation-time":"2020-11-11 11:07:34","annotated-by":"human/zhanghui_china/zhanghui_china"}],"usage":"train","source":"s3://mindspore-21day-tutorials/resnet-50-2/mushrooms/train/Agaricus/import_1605064037231/219_m7t5mnXvmsw.jpg","id":"0008324d2a2933fa17ef490e8413edc1","sample-type":0}
其中将图片和类别的关系标注在JSON中。
第二步,我们来建立一个自动学习的任务。
打开自动学习菜单。
点击创建项目,输入名称: exeML-dumogu,选择”已有数据集“并选中刚才创建的dataset-dumogu数据集。
然后打开建好的项目exeML-dumogu,点击右边红色的开始训练:
系统弹出以下菜单,输入训练验证比例未0.8,0.2,确定后开始模型训练。
确认配置后提交,
系统就开始进行模型训练:
训练完毕后,会提示精确率,准确率,召回率等值,关键看准确率吧——94%,还可以。
点击上图的部署按钮们开始进行部署。
下一步:
点击提交后,
耐心等待,也可以在”部署上线“-”在线服务“菜单看到部署的进度。
部署完毕后,出现以下画面:
可以点击”上传“,上传一些待预测的图片。
比如上图,55%的机率是Agaricus...
我们上传一个真的Agaricus
得分1.0. 完全准确。
以上都是从数据集里面直接拿的图片,得分不是1.00就是0.99,飞常准。
张小白再从网上找一些毒蘑菇的图片:
这就有高有低了。
再找几张可以吃的,如金针菇和香菇:
好,我们回过头来看看这9个分类的具体含义:
label_list = ["Agaricus双孢蘑菇,伞菌目,蘑菇科,蘑菇属,广泛分布于北半球温带,无毒", "Amanita毒蝇伞,伞菌目,鹅膏菌科,鹅膏菌属,主要分布于我国黑龙江、吉林、四川、西藏、云南等地,有毒", "Boletus丽柄牛肝菌,伞菌目,牛肝菌科,牛肝菌属,分布于云南、陕西、甘肃、西藏等地,有毒", "Cortinarius掷丝膜菌,伞菌目,丝膜菌科,丝膜菌属,分布于湖南等地(夏秋季在山毛等阔叶林地上生长)", "Entoloma霍氏粉褶菌,伞菌目,粉褶菌科,粉褶菌属,主要分布于新西兰北岛和南岛西部,有毒", "Hygrocybe浅黄褐湿伞,伞菌目,蜡伞科,湿伞属,分布于香港(见于松仔园),有毒", "Lactarius松乳菇,红菇目,红菇科,乳菇属,广泛分布于亚热带松林地,无毒", "Russula褪色红菇,伞菌目,红菇科,红菇属,分布于河北、吉林、四川、江苏、西藏等地,无毒", "Suillus乳牛肝菌,牛肝菌目,乳牛肝菌科,乳牛肝菌属,分布于吉林、辽宁、山西、安徽、江西、浙江、湖南、四川、贵州等地,无毒", ]
自己找的几个毒蘑菇图片,分别被识别为:
Russula,无毒 Amanita,有毒 Lactarius,无毒 Amanita,有毒 Hygrocybe,有毒 Amanita,有毒 Lactarius,无毒---------白雪公主的中毒率为 3/7.
而张小白找的那2张食用菇的图片,分别被识别为:
Lactarius,无毒 Lactarius,无毒---------白雪公主吃到美食的概率是 100%。
看来,7个小矮人还是有必要出现的,至少可以帮白雪公主试7次毒。
至于在实战营得到的一个关键知识,也需要在这里强调下:ResNet卷积神经网络,肯定会给一张并没有分类的图片搞个分类的,即便它不属于任何分类,也会强分一下,只不过得分会稍微低一点,比如0.5,0.6,0.7之类的。这个并不是这个网络的无能,而是在深度学习这块,现在就只能到这里了。
所以,张小白认为,如果在得分特别低的情况下,咱就暂且在应用上不将其归类就是了。(或者写上得分,让别人看到,反正真的不是也是个概率问题,也不能怪ResNet。说了这些,张小白感觉这个好像天气预报的概率指数啊。)
上述就是小编为大家分享的如何使用ModelArts的自动学习识别毒蘑菇分类了,如果刚好有类似的疑惑,不妨参照上述分析进行理解。如果想知道更多相关知识,欢迎关注亿速云行业资讯频道。
免责声明:本站发布的内容(图片、视频和文字)以原创、转载和分享为主,文章观点不代表本网站立场,如果涉及侵权请联系站长邮箱:is@yisu.com进行举报,并提供相关证据,一经查实,将立刻删除涉嫌侵权内容。