建站
咨詢
售后
建站咨詢
新聞中心
概覽
圖像分類器是一種能夠識別圖像的機器學習模型。在你提供一張圖像后，圖像分類器會根據(jù)這個圖像回復一個分類標簽。
創(chuàng)新互聯(lián)建站長期為上1000家客戶提供的網(wǎng)站建設(shè)服務，團隊從業(yè)經(jīng)驗10年，關(guān)注不同地域、不同群體，并針對不同對象提供差異化的產(chǎn)品和服務；打造開放共贏平臺，與合作伙伴共同營造健康的互聯(lián)網(wǎng)生態(tài)環(huán)境。為阿圖什企業(yè)提供專業(yè)的成都網(wǎng)站設(shè)計、網(wǎng)站制作，阿圖什網(wǎng)站改版等技術(shù)服務。擁有10多年豐富建站經(jīng)驗和眾多成功案例,為您定制開發(fā)。
訓練圖像分類器的方法是向它展示大量已標記的圖像示例。例如，你可以向圖像分類器展示各種大象、長頸鹿、獅子等動物的照片來訓練它識別野生動物。
在圖像分類器完成訓練后，你可以對其進行評估。如果其準確性令人滿意，你可以將它存儲為 Core ML 模型文件，并將該文件導入到 Xcode 項目中，以在 App 中使用這個圖像分類器。
收集數(shù)據(jù)
每個類別應使用至少 10 張圖像，但請謹記，使用更多樣化的圖像可以改善圖像分類器的表現(xiàn)，例如使用從多個角度和在多種光照條件下拍攝的照片。
每個類別下的圖像數(shù)量應保持平衡。例如，不要在一個類別下使用 10 張圖像，而另一個類別使用 1000 張圖像。
圖像可以采用 Quicktime Player 能夠打開的任何格式，如 JPEG 和 PNG。圖像無需符合特定的大小要求，不同圖像的大小也無需相同。不過，最好使用大小至少達到 299 x 299 像素的圖像。
如有可能，你收集的圖像應該接近并能代表那些你預期模型在 App 中會看到的圖像。例如，如果你的 App 要對用設(shè)備的攝像頭在室外環(huán)境中拍攝的圖像進行分類，則你應使用在室外用類似攝像頭拍攝的圖像來訓練模型。
注釋
默認情況下，圖像分類器會使用場景打印特征提取器，不但能加速訓練過程，也能很好地和真實物體交互。更多詳情，請參閱 MLImageClassifier.FeatureExtractorType.scenePrint(revision:) (英文)。
整理訓練數(shù)據(jù)
通過將圖像整理到子文件夾中來準備訓練數(shù)據(jù)集。根據(jù)子文件夾中所含圖像的類別，為每個子文件夾命名。例如，你可以使用標簽 Cheetah 來表示所有獵豹圖像。
整理測試數(shù)據(jù)
使用測試數(shù)據(jù)集測試你的模型，可以快速了解你訓練的模型在現(xiàn)實世界中的表現(xiàn)情況。
如果你有數(shù)量充足的圖像 (例如每個類別 25 張或以上)，可以通過復制訓練數(shù)據(jù)集的文件夾結(jié)構(gòu)來創(chuàng)建測試數(shù)據(jù)集。然后，將每個類別大約 20% 的圖像移入測試數(shù)據(jù)集中的同等類別文件夾。
創(chuàng)建圖像分類器項目
使用 Create ML 創(chuàng)建圖像分類器項目。在 Xcode 打開后，按住 Control 鍵點按程序塢中的 Xcode 圖標，再選取“Open Developer Tool”(打開開發(fā)者工具) >“Create ML”；或者，你也可以從 Xcode 菜單中選取“Open Developer Tool”(打開開發(fā)者工具) >“Create ML”。
在 Create ML 中，選取“File”(文件) >“New Project”(新項目) 以查看模型模板的列表。選擇“Image Classification”(圖像分類)，點按“Next”(下一步)。
將項目的默認名稱更改為更合適和實用的名稱。如有這個項目內(nèi)模型的更多相關(guān)信息 (如一名或多名作者以及簡短描述)，可在此填寫。
配置訓練會話
將含有訓練數(shù)據(jù)集的文件夾拖入項目窗口中的“Training Data”(訓練數(shù)據(jù)) 方格。
如果適用，將含有測試數(shù)據(jù)集的文件夾拖入項目窗口中的“Testing Data”(測試數(shù)據(jù)) 方格中。
如果你知道在訓練會話中將使用的訓練迭代數(shù)量，可以將默認的“Maximum Iterations”(最大迭代數(shù)) 更改為其他值。你也可以打開任何或所有圖像增強。
每一種增強都會創(chuàng)建一個副本，并對樣本圖像應用變形或濾鏡效果，讓你無需收集更多樣本，也可提高數(shù)據(jù)集的多樣性。
訓練圖像分類器
點按“Train”(訓練) 按鈕，以啟動訓練會話。在啟動會話時，Create ML 會將部分訓練數(shù)據(jù)快速分入驗證數(shù)據(jù)集，然后從其余訓練圖像中提取特征，如邊緣、角落、紋理和顏色區(qū)域。Create ML 會使用圖像的特征來反復訓練模型，再利用驗證數(shù)據(jù)集檢查其準確性。
Create ML 會在圖表中顯示進度，黑線和灰線分別表示模型針對訓練數(shù)據(jù)集和驗證數(shù)據(jù)集的準確性。
評估模型的準確性
Create ML 完成模型訓練后，將使用測試數(shù)據(jù)集對模型進行測試。完成對模型的測試后，Create ML 會在“Evaluation”(評估) 標簽頁下顯示訓練、驗證和測試的得分。模型的訓練數(shù)據(jù)集準確性得分通常較高一些，因為它是從這些圖像學習的。在這個示例中，圖像分類器正確識別了訓練圖像中 100% 的圖像、驗證圖像中 95% 的圖像，以及測試圖像中 97% 的圖像。
“Precision”(精確率) 是真正例除以真正例與假正例之和所得到的值?！癛ecall”是真正例除以真正例與假負例之和所得到的值。
如果評估表現(xiàn)不夠好，你可能需要更多樣的訓練數(shù)據(jù)進行重新訓練。例如，你可以為圖像分類器啟用圖像增強選項。有關(guān)如何進行更詳細模型評估的信息以及提升模型性能的策略，請參閱“提高模型準確性”。
預覽模型
點按“Preview”(預覽) 標簽頁，以測試模型對未曾見過的圖像的表現(xiàn)。要查看模型的預測，可將圖像文件拖入“Train”(按鈕) 下方的列中。
存儲模型
如果模型的性能達標，就可將它存儲到文件系統(tǒng)中 (使用 Core ML 的 .mlmodel 格式)，以便添加到你的 Xcode 項目中。你可以從“Output”(輸出) 標簽頁進行以下操作：
-
點按“Save”(存儲) 按鈕，將模型存儲到文件系統(tǒng)中
-
點按“Export”(導出) 按鈕，在 Xcode 中打開模型
-
點按“Share”(共享) 按鈕，將模型發(fā)送給其他人，例如通過“郵件”或“信息”來發(fā)送
-
將模型的圖標拖入接受文件的任何地方
將模型添加到 App
最后一步是將你訓練好的模型添加到 Xcode 項目中。例如，你可以使用圖像分類器模型來替換掉“通過計算機視覺和 Core ML 對圖像進行分類”(英文) 示例的 Xcode 項目中包含的模型。
下載這個示例，并在 Xcode 中打開其項目。將你的模型文件拖入導航面板中。Xcode 會將這個模型添加到項目中，并顯示模型的元數(shù)據(jù)、操作系統(tǒng)可用性，以及類別標簽等。
只需更改一行代碼，就能在其中使用你的模型。項目僅在 ImageClassificationViewController 類中的一個位置對 MobileNet 模型進行實例化處理。
let model = try VNCoreMLModel(for: MobileNet().model)
更改這行代碼，就能將正在使用的替換為你的模型類。
let model = try VNCoreMLModel(for: AnimalClassifier().model)
這些模型都以圖像為輸入并輸出標簽字符串，因此可以互換。替換模型后，示例 App 不但會像之前一樣對圖像進行分類，現(xiàn)在它還會使用你的模型及關(guān)聯(lián)的標簽。
自動訓練和評估模型
如果你是編程或機器學習方面的新手，可以按照以上所述，使用 Create ML 來訓練有用的圖像分類器。當然你也可以使用 MLImageClassifier (英文) 實例來編寫模型訓練過程的腳本。常規(guī)的任務都是相同的：準備數(shù)據(jù)，訓練模型，評估性能，再存儲 Core ML 模型文件。不同之處只在于所有任務都需要編程。
例如，你可以對兩個 MLImageClassifier.DataSource (英文) 實例進行實例化處理，分別用于訓練數(shù)據(jù)集和測試數(shù)據(jù)集。借助 init(trainingData:parameters:) (英文)，使用訓練數(shù)據(jù)源來對圖像分類器進行實例化處理。然后，使用測試數(shù)據(jù)源及 evaluation(on:) (英文) 方法，再評估它返回的 MLClassifierMetrics (英文) 實例中的值。
當前名稱：創(chuàng)新互聯(lián)IOS教程：創(chuàng)建圖像分類器模型
URL標題：http://m.5511xx.com/article/djipdsj.html
