使用ML.NET模型生成器來完成圖片性別識別

雪雁發表於2020-10-27
模型

什麼是ML.NET？

ML.NET 使你能夠在聯機或離線場景中將機器學習新增到 .NET 應用程式中。 藉助此功能，可以使用應用程式的可用資料進行自動預測。 機器學習應用程式利用資料中的模式來進行預測，而不需要進行顯式程式設計。

ML.NET 的核心是機器學習模型 。 該模型指定將輸入資料轉換為預測所需的步驟。 藉助 ML.NET，可以通過指定演算法來訓練自定義模型，也可以匯入預訓練的 TensorFlow 和 ONNX 模型。

ML.NET 支援在使用 .NET Core 的 Windows、Linux 和 macOS 或使用 .NET Framework 的 Windows 上執行。 所有平臺均支援 64 位。 Windows 支援 32 位，TensorFlow、LightGBM 和 ONNX 相關功能除外。

瞭解ML.NET模型生成器

ML.NET 模型生成器是一個直觀的圖形化 Visual Studio 擴充套件，用於生成、訓練和部署自定義機器學習模型。其使用自動化的機器學習 (AutoML) 來探索不同的機器學習演算法和設定，以幫助找到最合適的方案。
使用模型生成器不需要具備機器學習的專業知識。 只需要一些資料，和確定要解決的問題。 模型生成器會生成將模型新增到 .NET 應用程式的程式碼。

值得注意的是，目前ML.NET 模型生成器是屬於預覽版，需要先啟用此預覽功能：

啟用ML.NET模型生成器
 

接下來，我們將使用此模型生成器來生成圖片性別生成的程式碼。

生成圖片性別識別的程式碼

主體步驟如下所示：

1.建立控制檯專案，然後新增【機器學習】

新增機器學習
 

2.選擇方案，這裡我們選擇【影像分類】

當完成了第一步操作之後，我們將開啟ML.NET模型生成器的UI介面。這裡我們選擇【影像分類】方案：

選擇方案
 

3.選擇訓練環境

選擇訓練環境
 

4.新增資料

在此之前，我們需要先準備好資料。由於是做圖片分類，我們需要先準備圖片資料，並且以資料夾的形式分類，比如： 

圖片資料夾
 
圖片資料
 

準備好圖片資料後，我們就可以在【資料】介面新增對應的資料夾了：

新增資料
 

新增完成後，就可以看到【資料預覽】：

資料預覽
 

這裡筆者準備了5000多張學生圖片，由於涉及隱私，這些資料樣本不會公開，如需要訓練可以去國外很多AI網站下載資料樣本。

5.訓練

訓練是一個自動的過程，模型生成器通過該過程教模型如何回答方案相關的問題。 訓練後，模型可以對其沒有見過的輸入資料進行預測。 例如，在預測房價時，可以預測新上市的房屋銷售價。因為模型生成器使用自動機器學習 (AutoML)，所以在訓練期間不需要任何人工輸入或微調操作。

準備訓練
 

接下來，我們【開始訓練】：

開始訓練
 

一般500M資料需要訓練大概半小時以上（具體還需視機器效能而定）：

訓練
 

6.評估

訓練結束後，我們就可以開始評估了。評估是衡量模型品質的過程。下面97.08的準確性已經是效能非常好的模型了，高於50%的準確性才是可以接受的模型。

評估
 

如果模型效能評分不符合預期，可以：

  • 延長訓練時間。 有了更多時間，自動機器學習引擎可以體驗更多演算法和設定。
  • 新增更多更精確的資料。 有時，資料量不足以訓練高質量的機器學習模型。對於包含少量示例的資料集，尤其如此。
  • 均衡分配資料。 對於分類任務，請確保在各個類別間均勻分配訓練集。 例如，若有四個類別和 100 個訓練示例，前兩類（標記 1 和標記 2）包含 90 個記錄，而剩下兩類（標記 3 和標記 4）只包含 10 個記錄，這就存在資料不均衡的問題，可能會導致模型很難正確預測標記 3 或標記 4。

回到剛才的主題，我們可以試用剛訓練出的模型。這裡筆者找了幾張資料樣本之外的圖片進行測試：

模型測試
 
模型測試
 

模型的準確性非常之高，我們用一張偏女性化的男性圖片進行測試：

模型測試

從上面的測試結果可以看出，準確性基本上取決於資料樣本的數量和質量！

7.新增程式碼

完成評估階段後，模型生成器可以輸出一份模型檔案和程式碼，我們可以使用該程式碼將模型新增到應用程式。 ML.NET 模型儲存為 zip 檔案。 用於載入和使用模型的程式碼會以新專案的形式新增到解決方案中。 模型生成器還會新增一個示例控制檯應用，可以執行該應用來檢視工作狀態下的模型。

此外，模型生成器還會輸出生成模型的程式碼，以便你能瞭解生成模型所使用的步驟。 還可以通過模型訓練程式碼使用新的資料重新訓練模型。新增程式碼如下所示：

新增程式碼
 

【新增】之後，在解決方案中我們就可以相關程式碼了：

解決方案
 

如上圖所示，ML.NET模型的zip檔案也包含在解決方案中。

執行示例程式碼

我們將【GenderRecognitionML.ConsoleApp】工程設定為啟動專案，開啟示例程式碼如下所示：

using System;
using GenderRecognitionML.Model;

namespace GenderRecognitionML.ConsoleApp
{
    class Program
    {
        static void Main(string[] args)
        {
            // Create single instance of sample data from first line of dataset for model input
            ModelInput sampleData = new ModelInput()
            {
                ImageSource = @"D:\workspace\AI\GenderRecognition\資料樣本\女\20200612180307_xxx.jpg",
            };

            // Make a single prediction on the sample data and print results
            var predictionResult = ConsumeModel.Predict(sampleData);

            Console.WriteLine("Using model to make single prediction -- Comparing actual Label with predicted Label from sample data...\n\n");
            Console.WriteLine($"ImageSource: {sampleData.ImageSource}");
            Console.WriteLine($"\n\nPredicted Label value {predictionResult.Prediction} \nPredicted Label scores: [{String.Join(",", predictionResult.Score)}]\n\n");
            Console.WriteLine("=============== End of process, hit any key to finish ===============");
            Console.ReadKey();
        }
    }
}

通過上面的示例程式碼我們非常簡單瞭解瞭如何來使用模型，僅需傳入圖片路徑，即可使用模型輸出對應的影像標籤（男、女）和準確性，我們可以執行起來，執行結果如下所示：

啟動執行

至此，整個教程就完成了，是不是非常簡單呢？即使我們不具備機器學習的專業知識！

相關文章