프로젝트 요구 사항
아래 그림과 같이 사진의 내용은 태그가 태그로 구분되어 있고 세탁 기준은 물 세탁으로 구분되어 있으며,이 두 항목이 포함되지 않은 경우 다른 항목으로 표시됩니다.
수만 장의 사진에서 태그를 선택하고 사진을 씻으십시오.
혼합 된 그림 정렬
구현 계획 : EasyDL을 사용 하여 AI 교육 플랫폼 의 이미지 분류 알고리즘 을 사용자 지정 하고, 모델을 교육하고, 교육 된 모델 API를 호출하여 로컬 이미지를 분류합니다.
이미지 데이터
이미지 분류 데이터 세트 생성
사진 업로드- "온라인 주석
200 장의 사진을 마킹 한 후 더 편리한 방법을 찾았습니다.
더 많은 문서를 읽고 더 탐색하는 것이 좋습니다.
여기에 세 개의 태그가 있기 때문에 해당 태그 아래에 사진을 나누고 태그 이름으로 폴더 이름을 지정하고 zip 형식으로 압축 한 다음 압축 된 패키지를 직접 업로드하여 자동으로 표시합니다.
모델 처리
EasyDL 사용자 정의 AI 교육 플랫폼
은 공식 문서 교육 모델 에 따라 단계별 작업이 될 수 있으며, 그래픽 인터페이스가 매우 편리 할 수 있으며, 공용 클라우드 API를 배포하기로 선택했으며, 다른 배포는 시도하지 않았으며, 단계별 교육 모델 테스트를 수행했습니다. 모델 수
저는 개인적으로 세 라벨 아래에 100 장 정도 (너무 상세하지 않고 100 장과 90 장 이상) 넣었습니다.
마지막으로 훈련 및 테스트 결과는
정상 입니다. 정확도 비율은 95 %에 도달 할 수 있습니다 . 훈련 후 모델을 출시 할 수 있으며 출시 후에 만 호출 할 수 있습니다.
공식 성명 에 따르면 通常的审核周期为T+1，即当天申请第二天可以审核完成내 모델은 10 이내에 검토 되었습니다. 출시 몇 분 후 .
모델 사용
마지막으로 모델을 사용했는데 배포를 위해 퍼블릭 클라우드 API를 사용했다고 언급
했으므로 내가 설정 한 퍼블릭 클라우드 API를 사용할 때 호출해야한다고 언급했고,이 공식 문서에도 운영 지침이 있습니다.
개인적으로 python3을 사용하기 때문에 공식 문서의 데모는 여전히 python2로 적용되지 않습니다.
여기에 관심이 있다면 직접 살펴보고 다른 언어를 선택 하여 이미지 분류 API 를 호출 할 수도 있습니다
.
다음은 python3 환경에서 내 자신의 재 작성입니다.
# 先获取api token
# encoding:utf-8
import requests
# access_token： 要获取的Access Token；
# expires_in： Access Token的有效期(秒为单位，一般为1个月)；
# client_id 为官网获取的AK， client_secret 为官网获取的SK
host = 'https://aip.baidubce.com/oauth/2.0/token?grant_type=client_credentials&client_id=【官网获取的AK】&client_secret=【官网获取的SK】'
response = requests.get(host)
if response:
print(response.json())
# 单张图片test
# encoding:utf-8
# import urllib2
from urllib.request import urlopen
import base64
import json
import urllib
pic_path = r"D:\Jupyter Notebook\水洗标\INSE-17.jpg"
'''
easydl图像分类
'''
request_url = "https://aip.baidubce.com/rpc/2.0/ai_custom/v1/classification/dpsxv1"
with open(pic_path, 'rb') as f:
base64_data = base64.b64encode(f.read())
s = base64_data.decode('UTF8')
params = {
"image": s, "top_num": "3"}
params = json.dumps(params)
access_token = response.json()['access_token']
request_url = request_url + "?access_token=" + access_token
session = requests.Session()
headers = {
'Content-Type': 'application/json'}
r = session.post(request_url, data=params, headers=headers)
print(r.text)
출력 결과는 다음과 같으며, 각 태그 점수에
따라 이미지 파일을 점수에 따라 마킹 및 분류 할 수 있습니다. 정말 사용하기 쉽고 무료이며 다른 많은 모델이 연구용으로 열려 있습니다! 그리고
인공 지능 알고리즘의 많은 무료 로우 코드 구현! 어서! 소년! ! !
