Google AutoML图像分类模型 | 使用指南

来源 | Seve

编译 | 火火酱，责编| Carol

出品 | AI科技大本营（ID：rgznai100）

在本教程中，我将向大家展示如何在Google AutoML中创建单个标签分类模型。我们将使用来自generate.photos的AI生成的面孔数据集。通过算法训练来判断一张脸是男性还是女性。之后，我们会将模型部署到云中，并创建该算法的Web浏览器版本。

generate.photos：

https://generated.photos/

获取标签

下面，就让我们开始吧！首先，让我们看一下要分类的数据。总共约有2,000张人脸照片。

数据下载链接：

https://wao.ai/blog/single-label-image-classification-google-automl

很难相信这些面孔是假的对吧！那么，现在让我们获取ground truth标签来对算法进行训练吧。首先创建图片分类作业，我们可以借助wao.ai来迅速完成此操作，你可以通过下方视频链接了解该过程。

wao.ai：https://wao.ai/

视频链接：https://www.youtube.com/watch?v=adjwhyqdXOM

工作完成后，我们会获得一个包含ground-truth标签的CSV文件。

CSV文件下载链接：

https://wao.ai/blog/single-label-image-classification-google-automl

建立项目

现在可以开始使用Google AutoML了。接下来，我们将在Google AutoML上创建一个数据集，并开始训练我们的模型。

如果你还没有账户，请先在Google Cloud Platform上创建一个帐户。然后，我们需要创建一个新项目。

创建项目后，我们可以使用顶部的侧边栏或搜索栏导航到Google AutoML。你可能需要启用一些API并设置好结算功能，GCP会引导你完成该过程。

接下来，点击“图像分类（Image Classification）”。

然后我们将会进入“数据集（Dataset）”界面。在该界面中，单击“创建新数据集（Create New Dataset）”，并填写数据集的一些详细信息以进行训练。

格式化输入数据

现在我们将自己的数据放入Google Cloud Platform。所有数据都必须位于GCP存储桶中。因为我们的数据集太大，所以浏览器界面无法正常工作。

但是，GCP命令行工具应该可以正常运行。你也可以安装Google Cloud SDK（其中包括命令行工具）。

Google Cloud SDK下载链接：

https://cloud.google.com/sdk/

现在，我们只需要执行gsutil cp -r path / to / faces gs：// YOUR_BUCKET / faces即可将文件移到存储桶中。确保将YOUR_BUCKET更改为为你创建的存储库的名称（在下面的截图中，我的存储库名称为woven-icon-263815-vcm）。

接下来，我们要将ground-truth标签CSV从wao.ai转换为AutoML期望的CSV输出。

（wao.ai：https://wao.ai/）

我们的原始CSV如下图所示：

为了方便使用Google AutoML，我们需要将其转换为：

我在ipython终端中使用Pandas DataFrame进行了此操作（如下图所示）：

Pandas：https://pandas.pydata.org/

完成创建数据集

现在，我们有了Google AutoML所需格式的CSV，就可以完成创建自己数据集的准备工作了。

将我们创建的新CSV上传到你的存储库中，然后在“导入数据集（Import Dataset）”界面中选择该库。

导入数据后，你可以从浏览器中查看所有的图像和标签。

创建模型

在本节中，我们将创建一个运行在GCP上的云模型，该模型具有易于使用的API以及可以导出到Tensorflow并在本地或本地托管的移动设备和浏览器上运行的Edge模型。

1. 训练云模型

导航到“训练（TRAIN）”选项卡，然后单击“开始训练（START TRAINING）”。我使用了所有的默认选项。

几个小时后，模型完成，并概述了模型的性能和所用的预算（我分配的全部是16小时）

2. 训练“边缘”模型（可以在任何地方运行的模型）

创建边缘模型的方法基本相同，只需单击“边缘（Edge）”而不是“云（Cloud）”即可。当创建边缘模型时，你可以优化其速度或精度。因为我想将边缘模型与云模型进行比较，所以我决定对精度进行优化。

结果

在“评估（EVALUATE）”选项卡中，我们能够看到模型的执行效果。云模型的准确率为94.5％。边缘模型的准确率为95.5％。让我惊讶的是，云模型的表现竟然稍差一些，特别是考虑到它的培训成本要更高之后！

总的来说，我对两个模型的性能都很满意。由混淆矩阵可知，云模型在预测男性时出错较多，而边缘模型的失误率则更均匀。

云模型性能

在下面的屏幕截图中，你可以看到云模型的混乱矩阵，以及AutoML报告的一些统计信息。它在预测女性方面略优于男性。

边缘模型性能

在以下截图中，你可以看到边缘模型的混淆矩阵以及AutoML报告的一些统计数据。边缘模型在预测男性方面略胜一筹！

边缘案例

Google AutoML为你提供了模型在哪些方面表现良好以及哪些地方出错的细目。和我的keras模型一样，儿童和不寻常的面部角度都是个问题。以下屏幕截图中显示了误报的案例。

部署模型

既然我们已经获得了满意的模型，那么我们就该应用一下了！我们的云模型可以部署在GCP上，Edge模型可供下载并同Tensorflow一起运行。让我们一起来探索云模型和边缘模型的部署吧。

云部署

导航到“测试&使用（TEST＆USE）”选项卡，然后单击“部署模型（DEPLOY MODEL）”按钮。为了进行测试，我决定只部署到一个节点。部署该模型大约花费一个小时。

云模型公开了一个易于使用的API，你可以在其中上传一个简单的JSON对象并接收到一组带有返回概率的预测。对我来说，这是简单且完美的集成API。

我们还可以直接在浏览器中使用API并检查结果。我从训练集中上传了一些面部照片，看起来效果还不错！总的来说，如果你有能力在后台运行云实例，那么我认为这是一个非常易于使用的API。

边缘部署

对于边缘部署，我们有多种下载模型的方法。每种方法都非常强大：

• TF Lite:允许你在移动设备上运行模型

（TF Lite：https://www.tensorflow.org/lite）

• TensorFlow.js：允许你在网络浏览器中运行模型

（TensorFlow.js：https://www.tensorflow.org/js）

• Core ML：允许你在Apple设备上运行模型

（Core ML：https://developer.apple.com/documentation/coreml）

• Container：允许你在Docker容器中运行模型（对于Web服务器而言是完美的）

（Container：https://www.docker.com/resources/what-container）

我下载了Tensorflow.js 模型，并构建了一个使用Edge模型和网络摄像头的demo示范。注意：此模型不会将你的图像上传到服务器，所有内容都在本地运行！

（demo示范链接：https://wao.ai/blog/can-ai-guess-our-sex）

结语

总而言之，Google AutoML在该任务上易于使用，且非常有效。我期待着尝试其他云提供商，看看他们比较起来表现如何！

原文：

https://hackernoon.com/image-classification-model-with-google-automl-a-how-to-guide-wa7n3b6n

（*本文由 AI 科技大本营编译，转载请联系）