AutoML：训练模型以识别凹坑

最新推荐文章于 2024-02-17 16:37:50 发布

woshicver

最新推荐文章于 2024-02-17 16:37:50 发布

阅读量429

点赞数

文章标签： python 机器学习 java 大数据深度学习

原文链接：https://mp.weixin.qq.com/s?__biz=MzU2NTUwNjQ1Mw==&mid=2247509024&idx=1&sn=edfdbac9418314a5f903b0a8a019cfa0&chksm=fcb85cdacbcfd5ccda1bbd67f80d199d68025d377e08d1362f02b6df8f9e087d193752a58e81&scene=126&&sessionid=0

版权

从我们训练的模型中得到的坑洞预测和置信度分数：

初始算法选择和超参数优化是我个人不喜欢做的活动。如果你像我一样，那么也许你会喜欢自动机器学习（AutoML），一种我们可以让脚本为我们完成这些耗时的ML任务的技术。

Azure机器学习（AML）是一项云服务，其功能包括准备和创建数据集、训练模型以及将其部署为web服务变得更加容易。

最近，AML团队发布了AutoML功能，供公众预览。今天，我们将使用此功能训练一个目标检测模型，以识别道路上的凹坑。

在这篇文章中，我将简要回顾一些AML和目标检测的概念，因此你不必完全熟悉它们就可以进行后续操作。本教程主要基于Azure中的这个示例，你可以查看我在这里编写的Jupyter笔记本：

https://github.com/dmesquita/azureml-automl-potholes-object-detection

酷，让我们开始吧！

我们该怎么办？

对象检测数据集很有趣，因为它们由表格数据（边界框的注释）和图像数据（.png、.jpeg等）组成。

COCO格式是对象检测数据集的一种流行格式，我们将使用此格式下载坑洞数据集：https://public.roboflow.com/object-detection/pothole。

Azure机器学习使用TABLAR DATASET格式，因此我们需要做的第一件事是将COCO转换为TABLAR DATASET。

转换后，我们将选择一种对象检测算法，并最终训练模型。

1-准备数据集

我从Roboflow那里得到了数据集。它有665张标有坑洞的道路图片，由Atikur Rahman Chitholian创作并分享，作为其论文的一部分。Roboflow团队按照70/20/10将数据集划分为训练-验证-测试集。

每个拆分都有两个主要组件：

_annotations.coco.json，一个包含images、categories和annotations的json文件
图像本身（.jpg文件）

以下是键：

images：包含有关数据集图像的信息（id、文件名、大小等）
categories：边界框类别的名称和id
annotations：包含有关对象的信息，包括边界框坐标（在此数据集中，它们位于绝对坐标）、对象的图像id和类别id

现在是开始与AML合作的时候了。你需要做的第一件事是创建Azure机器学习工作区。你可以使用上的web界面来执行此操作https://portal.azure.com.

我们需要一个计算实例来运行，然后再运行训练，所以需要在你的工作区内创建一个。图像任务的AutoML模型需要GPU计算实例。你也可以使用web界面创建计算实例。

创建计算实例：

我已经下载并提取了数据库中的数据集.放在/potholeObjects文件夹。每个拆分都有一个文件夹，里面有图像和JSON文件。

你需要将图像和JSON文件上传到数据存储，以便AML可以访问它们。

数据存储是云数据源的抽象。创建AML工作区时，将创建AzureBlobDatastore并将其设置为默认值。我们将使用此默认数据存储并将图像上传到那里。

from azureml.core import Workspace

workspace = Workspace.from_config() # 如果你在一个aml计算实例上运行notebook，这是可行的

default_datastore = workspace.get_default_datastore()
datastore_name = default_datastore.name

注释采用COCO格式（JSON），但tablerDataSet要求注释采用JSON行。tablerDataset具有相同的元数据，但以不同的键组织。以下是用于对象检测的TablerDataset的外观：

{
   "image_url":"AmlDatastore://data_directory/../Image_name.image_format",
   "image_details":{
      "format":"image_format",
      "width":"image_width",
      "height":"image_height"
   },
   "label":[
      {
         "label":"class_name_1",
         "topX":"xmin/width",
         "topY":"ymin/height",
         "bottomX":"xmax/width",
         "bottomY":"ymax/height",
         "isCrowd":"isCrowd"
      },
      {
         "label":"class_name_2",
         "topX":"xmin/width",
         "topY":"ymin/height",
         "bottomX":"xmax/width",
         "bottomY":"ymax/height",
         "isCrowd":"isCrowd"
      },
      "..."
   ]
}

幸运的是，微软工程师编写了一个脚本来转换COCO：https://github.com/Azure/azureml-examples/blob/1a41978d7ddc1d1f831236ff0c5c970b86727b44/python-sdk/tutorials/automl-with-azureml/image-object-detection/coco2jsonl.py

此文件的image_url键需要指向我们正在使用的数据存储中的图像文件（默认）。我们使用coco2jsonl的base_url参数指定。

# 从coco文件生成训练jsonl文件
!python coco2jsonl.py \
--input_coco_file_path "./potholeObjects/train/_annotations.coco.json" \
--output_dir "./potholeObjects/train" --output_file_name "train_pothole_from_coco.jsonl" \
--task_type "ObjectDetection" \
--base_url "AmlDatastore://{datastore_name}/potholeObjects/train/"

我们将对验证集运行相同的命令。现在，下一步是将文件上传到数据存储，并在AML中创建数据集。不要将数据集与数据存储混淆。数据集是版本控制的打包数据对象，通常基于数据存储中的文件创建。我们将从JSON行文件创建数据集。

from azureml.core import Dataset
from azureml.data.datapath import DataPath
from azureml.data import DataType

# 上传文件到数据存储
Dataset.File.upload_directory(
    src_dir="./potholeObjects/train/", target=DataPath(default_datastore, "/potholeObjects/train"), show_progress=True
)

training_dataset_name = "potholeObjectesTrainingDataset"

# 创建数据集
training_dataset = Dataset.Tabular.from_json_lines_files(
        path=DataPath(default_datastore, "/potholeObjects/train/train_pothole_from_coco.jsonl"),
        set_column_types={"image_url": DataType.to_stream(default_datastore.workspace)},
)

# 在工作区中注册数据集
training_dataset = training_dataset.register(
        workspace=workspace, name=training_dataset_name
)

对于训练和验证拆分，也将这样做。如果一切顺利，你可以看到AML内部的图像预览。

AML工作区内的数据集预览

2.进行实验

在AML内部，你运行的一切都称为实验。要使用AutoML训练模型，你将创建一个实验，指向它假定运行的计算目标，并提供AutoML参数的配置。

让我们首先创建实验并从工作区获取计算机实例：

from azureml.core import Experiment

experiment_name = "pothole-yolov5-model"
experiment = Experiment(workspace, name=experiment_name)

compute_target = workspace.compute_targets['gpu-computer'] # 给计算实例的名称

在这里，我将使用yolov5默认参数运行实验。你需要提供超参数、计算目标、训练数据和验证数据（如示例所示，验证数据集是可选的）。

from azureml.automl.core.shared.constants import ImageTask
from azureml.train.automl import AutoMLImageConfig
from azureml.train.hyperdrive import GridParameterSampling, choice

automl_config_yolov5 = AutoMLImageConfig(
    task=ImageTask.IMAGE_OBJECT_DETECTION,
    compute_target=compute_target,
    training_data=training_dataset,
    validation_data=validation_dataset,
    hyperparameter_sampling=GridParameterSampling({"model_name": choice("yolov5")}),
    iterations=1,
)

现在可以提交实验了：

automl_image_run = experiment.submit(automl_config_yolov5)

你可以使用Workspace web界面监控实验：

以下是Microsoft教程中的一个示例：

from azureml.automl.core.shared.constants import ImageTask
from azureml.train.automl import AutoMLImageConfig
from azureml.train.hyperdrive import BanditPolicy, RandomParameterSampling
from azureml.train.hyperdrive import choice, uniform

parameter_space = {
    "model": choice(
        {
            "model_name": choice("yolov5"),
            "learning_rate": uniform(0.0001, 0.01),
            "model_size": choice("small", "medium"),  # 模型相关
            #'img_size': choice(640, 704, 768), # 特定型号;可能需要有大内存的GPU
        },
        {
            "model_name": choice("fasterrcnn_resnet50_fpn"),
            "learning_rate": uniform(0.0001, 0.001),
            "optimizer": choice("sgd", "adam", "adamw"),
            "min_size": choice(600, 800),  # 模型相关
            #'warmup_cosine_lr_warmup_epochs': choice(0, 3),
        },
    ),
}

tuning_settings = {
    "iterations": 10,
    "max_concurrent_iterations": 2,
    "hyperparameter_sampling": RandomParameterSampling(parameter_space),
    "early_termination_policy": BanditPolicy(
        evaluation_interval=2, slack_factor=0.2, delay_evaluation=6
    ),
}

automl_image_config = AutoMLImageConfig(
    task=ImageTask.IMAGE_OBJECT_DETECTION,
    compute_target=compute_target,
    training_data=training_dataset,
    validation_data=validation_dataset,
    **tuning_settings,
)

3-将预测可视化

这个yolov5模型是使用Pytorch训练的，因此我们可以下载模型并使用Jupyter笔记本检查预测。

我的花了56分钟训练。获取模型需要做的第一件事是注册工作区中的最佳运行，以便访问模型。

best_child_run = automl_image_run.get_best_child()

model_name = best_child_run.properties["model_name"]
model_output_path = best_child_run.properties["model_output_path"]

# 从最佳运行中注册模型
model = best_child_run.register_model(
    model_name=model_name, model_path=model_output_path
)

现在我们可以下载模型了并运行推断。为此，我们将使用azureml contrib automl dnn vision包中的代码：

from azureml.contrib.automl.dnn.vision.common.model_export_utils import load_model, run_inference
from azureml.contrib.automl.dnn.vision.object_detection_yolo.writers.score import _score_with_model

TASK_TYPE = 'image-object-detection'
model_settings = {"img_size": 640, "model_size": "medium", "box_score_thresh": 0.1, "box_iou_thresh": 0.5}

model_wrapper = load_model(TASK_TYPE, 'model.pt', **model_settings)

sample_image = "./img-23_jpg.rf.e6aa0daf83e72ccbf1ea10eb6a6ab3bd.jpg"
with open(sample_image, 'rb') as f:
    bytes_img = f.read()
    
model_response = run_inference(model_wrapper, bytes_img, _score_with_model)

我使用Microsoft教程中的代码来可视化边界框。以下是测试图像的结果：

从我们训练的模型中得到的坑洞预测和置信度分数: