Image classification - Platform For AI: Central de Documentação do Alibaba Cloud

Implante um modelo ViT pré-treinado para classificação de imagens ou ajuste-o finamente com seu próprio conjunto de dados para classificar imagens em categorias personalizadas.

Pré-requisitos

Crie um bucket do OSS. Para mais informações, consulte Create buckets.

Etapa 1: Abrir a página de detalhes do modelo

Acesse a página Model Gallery.
1. Faça login no PAI console.
2. No canto superior esquerdo da barra de navegação superior, selecione uma região.
3. No painel de navegação à esquerda, clique em Workspaces e, em seguida, clique no nome do workspace desejado.
4. No painel de navegação à esquerda, escolha Quick Start > Model Gallery.
Na página Model Gallery, na seção Computer Vision, clique em Image Classification. Em seguida, clique no cartão do modelo ViT Image Classification-General para abrir a página de detalhes do modelo.

A página lista diversos modelos de diferentes comunidades open source. Escolha o modelo que melhor atende aos seus requisitos.
- Modelos com mais parâmetros oferecem melhor desempenho, mas exigem mais dados para ajuste fino e geram custos de service maiores.
- Quanto mais próximo o conjunto de dados de pré-treinamento estiver do seu caso de uso, melhor será o desempenho do modelo. Verifique as informações sobre o conjunto de dados de pré-treinamento na página de detalhes do modelo.

Etapa 2: Implantar o modelo diretamente

O modelo cv_vit-base_image-classification_ImageNet-labels pertence ao modelo ViT Image Classification-General da comunidade ModelScope. Ele se baseia na arquitetura Transformer ViT Base e foi treinado no conjunto de dados ImageNet-1K, oferecendo suporte a tarefas de classificação abrangidas pelos rótulos do ImageNet-1K. O Model Gallery implanta este modelo no Elastic Algorithm Service (EAS) para criar serviços de inferência. Siga estas etapas:

Implante o service.
1. Na página de detalhes do modelo, clique em Deploy.
2. Confirme as informações em Model service info e Deployment info.
  
  O Model Gallery pré-configura recursos computacionais e um nome de service com base nas características do modelo. Use as configurações padrão para este exemplo ou personalize-as conforme necessário. Para mais informações, consulte Deploy and debug models.
3. Clique em Deploy. Na caixa de diálogo Billing Notification, clique em OK.
  
  Você será redirecionado para a página Service details. Na seção Basic Information, aguarde até que o Status mude para Running.

Chame o service de modelo.

Após a implantação, envie solicitações de previsão para a API HTTP do service de modelo. O service aceita imagens codificadas em Base64 e retorna resultados no formato JSON.

Na página Service details, na seção Resource Information, clique em View Call Information.
Na caixa de diálogo Call Information, na aba Public network address call, salve o Endpoint e o Token.

Use a biblioteca Python Requests para chamar o service de modelo. Exemplo:

import requests
import base64

image_path = "<PathToLocalImage>"
url = "<PredictionServiceURL>"
token = "<PredictionServiceAccessToken>"

def encode_file_to_base64(f):
    with open(f, "rb") as file:
        encoded_string = base64.b64encode(file.read())
        base64_str = str(encoded_string, "utf-8")
        return base64_str

base64_string = encode_file_to_base64(image_path)
request_body = {
    "image": base64_string
}

headers = {"Authorization": token}
resp = requests.post(url=url, headers=headers, json=request_body)

print(resp.content.decode())
print("status code:", resp.status_code)

Substitua url pelo Endpoint, token pelo Token obtido na etapa anterior e image_path pelo caminho de um arquivo de imagem local (.png ou .jpg).

Uma chamada bem-sucedida retorna os cinco rótulos mais prováveis e suas respectivas pontuações. Exemplo de saída:

{
  "scores": [
    0.4078965485095978,
    0.24673610925674438,
    0.1930493414402008,
    0.0026617543771862984,
    0.0009246605914086103
  ],
  "labels": [
    "tiger cat",
    "tabby, tabby cat",
    "Egyptian cat",
    "lynx, catamount",
    "tiger, Panthera tigris"
  ]
}

Etapa 3: Ajustar finamente o modelo

O modelo cv_vit-base_image-classification_ImageNet-labels oferece suporte a tarefas de classificação cobertas pelos rótulos do ImageNet-1K. Caso seu domínio alvo não esteja contemplado, ajuste finamente o modelo com um pequeno conjunto de imagens rotuladas específicas para o seu domínio.

Prepare os dados.
1. Organize seu conjunto de dados seguindo a estrutura de diretórios abaixo:
  
  O treinamento do modelo utiliza dados de imagem armazenados em um bucket do OSS. Estruture o conjunto de dados em um diretório raiz contendo um subdiretório por categoria, onde o nome de cada subdiretório funciona como o rótulo da categoria. Por exemplo, se o conjunto de dados de treinamento estiver em oss://{YourOssBucket}.{OssEndpoint}/{PathToTrainData}/, a estrutura deve ser:
```
├── category-1
│   ├── image1.jpeg
│   └── image2.jpeg
├── category-2
│   ├── image3.jpeg
│   └── image4.jpeg
|...
|...
└── category-n
    ├── imagexxx.jpeg
    └── imageyyy.jpeg
```
  Para obter melhor desempenho, prepare também um conjunto de dados de validação com a mesma estrutura de diretórios para avaliar o modelo e ajustar hiperparâmetros.
2. Faça upload do conjunto de dados para o seu bucket do OSS respeitando a estrutura de diretórios descrita acima. Para mais informações, consulte Upload files.
Envie um job de treinamento.
1. Na página Model Details, clique em Fine-tune. Na página de configuração, especifique o Training dataset, o Validate dataset e o Output Path.
  
  O Model Gallery pré-configura os Computing Resources e os Hyperparameters. Use os valores padrão ou personalize-os. Para mais informações, consulte Model deployment and training.
  
  Nota
  Por padrão, o modelo utiliza o conjunto de dados MiniImageNet-100 para o ajuste fino, permitindo testar o processo de treinamento sem precisar preparar seus próprios dados.
2. Clique em Fine-tune.
  
  Você será redirecionado para a página Task details, onde é possível acompanhar o progresso, os logs e os resultados da avaliação. Após a conclusão do treinamento, o modelo é salvo no Output Path especificado.
Implante o modelo ajustado.

O PAI registra automaticamente o modelo treinado em AI Assets - Model Management para visualização e implantação. Para mais informações, consulte Register and manage models.