在Azure自定义视觉上训练自定义对象检测模型第2部分：测试模型

寒冰屋

已于 2022-08-21 23:50:10 修改

阅读量183

点赞数

分类专栏：人工智能 ASP.NET CORE 架构及框架文章标签：人工智能计算机视觉机器学习

于 2022-08-21 23:43:48 首次发布

原文链接：https://www.codeproject.com/Articles/5326982/Training-a-Custom-Object-Detection-Model-on-Azur-2

版权

ASP.NET CORE 同时被 3 个专栏收录

1124 篇文章 54 订阅

订阅专栏

架构及框架

634 篇文章 16 订阅

订阅专栏

人工智能

564 篇文章 57 订阅

订阅专栏

在这里，我们演示了如何测试模型，既可以手动使用通过自定义视觉UI上传的图像，也可以自动使用测试数据集。然后我们演示如何添加额外数据并在需要额外训练时重新训练模型。

这个由三部分组成的系列演示了如何使用Azure自定义视觉有效地训练、测试和部署行人检测AI模型。

上一篇文章演示了如何训练模型来检测图像中是否存在人类。本文将在Azure自定义视觉中测试之前训练的模型。它还将演示如何进一步训练模型并提高其准确性。

请注意，本系列中的所有代码都可以在GitHub上找到。

快速测试模型

Azure自定义视觉提供了用于测试模型的各种选项。快速测试使用图像URL或上传的测试文件。

首先，转到Azure自定义视觉服务并选择您的项目。

在下一页上，单击右上角的快速测试。

现在，选择您未用于训练模型的图像。图片上传成功后，模型会返回预测结果并在对象周围创建一个边界框。您还可以查看预测的对象标签以及概率。

该模型预测测试图像有99.9%的概率是人类。然而，这个测试相对容易——图片很清晰，没有其他物体。

找到另一张图像再次测试模型。这一次，使用类似于下图的图片来了解模型将如何处理更复杂的图片。

哎呀！该模型无法检测到图像中的人。角度和视角可能与第一张图像中的有很大不同。无论出于何种原因，该模型尚未准备好部署，需要进一步培训。

用更多图像训练模型

为了提高模型的准确性，我们必须用更多的图像来训练它。为这次迭代提供额外的图片，确保选择从不同角度拍摄的图像。此外，考虑添加具有不同程度遮挡和截断的照片，以提高在这些情况下的识别能力。这些多样化的照片也有助于模型覆盖极端情况并更准确地进行预测。

单击添加图像以添加更多照片以在行人检测项目中进行训练。

此操作会打开一个窗口以选择和上传新的训练图像。上传所需的照片后，选择并标记每张照片。请务必添加一些包含不同对象的图像和一些不包含任何对象的图像。此外，考虑使用带有与人类相似的对象的图像。

上传并标记所有新图像后，单击右上角的训练。

在下一页上再次选择快速训练以开始训练模型。您还可以调整概率阈值。

训练完成后，再次测试模型性能。

点击右上角的快速测试，上传图片进行预测。

该模型现在可以准确地检测图像中的人类——即使是那些以前混淆它的人。

使用预测API测试模型

到目前为止，所有模型测试都是通过上传到自定义视觉UI的测试图像进行的。但是，Azure自定义视觉还提供了预测API以从经过训练的模型中获取预测。

在我们调用Prediction API之前，它的资源必须访问模型。所以，我们必须发布模型。

在您的项目中，单击性能选项卡。

在Performance选项卡上选择要发布的迭代，然后单击顶部的Publish 。

指定模型名称并从下一页的菜单中选择预测资源。完成后，单击发布。

发布模型后，您会看到已发布的标签出现在已发布的迭代旁边。

检索预测URL和密钥

模型发布后，下一步是调用预测API。为此，请从项目的性能选项卡上的预测URL中检索所需信息。

预测URL提供有关使用预测API、预测URL和Prediction-Key的说明。

请注意Prediction URL和Prediction-Key，因为您需要它们来调用API。

调用预测API

预测API允许使用预测URL从本地存储和Internet提交图像数据。首先，尝试使用本地存储中的图像调用服务。

各种方法可以调用预测API。在这种情况下，创建一个简单的Python程序，将图像提交到预测API并返回预测。

创建一个名为prediction.py的Python文件。添加以下代码：

import requests

url="<YOUR_PREDICTION_URL>"
headers={'content-type':'application/octet-stream','Prediction-Key':'<YOUR_PREDICTION_KEY>'}
result =requests.post(url,data=open("./test.jpeg","rb"),headers=headers)
json_obj = result.json()

for prediction in json_obj["predictions"]:
print(prediction)

该代码获取指定的图像并使用预测URL和预测键向自定义视觉服务发布请求。它还使用预测URL中的选定模型对图像进行评分并返回预测。

不要忘记将URL和Prediction Key替换为提供的内容。此外，确保requests.post中的数据参数指向测试图像。

完成后，执行程序：