Pjesa 2. Modeli ThinkBioT Me Google AutoML: 8 hapa

2024 Autor: John Day | [email protected]. E modifikuara e fundit: 2024-01-30 12:18

ThinkBioT është krijuar për të qenë "Plug and Play", me modele TensorFlow Lite të pajtueshme me Edge TPU.

Në këtë dokumentacion ne do të mbulojmë krijimin e spektogramëve, formatimin e të dhënave tuaja dhe përdorimin e Google AutoML.

Kodi në këtë tutorial do të shkruhet në bash kështu që do të jetë i pajtueshëm me shumë platforma.

Varësitë

• Sidoqoftë, para fillimit do t'ju duhet të instaloni Sox një program audio të linjës së komandës të pajtueshëm me pajisjet Windows, Mac dhe Linux.
• Nëse jeni në një pajisje Windows, mënyra më e lehtë për të ekzekutuar skriptet bash është përmes Git, kështu që unë do të rekomandoja dhe shkarkimin dhe instalimin e tij si të dobishëm në shumë mënyra,
• Për redaktimin e kodit ose përdorni redaktorin tuaj të preferuar ose instaloni NotePad ++ për Windows ose Atom për sisteme të tjera operative.

** Nëse keni një model ekzistues TensorFlow ose dëshironi të provoni të transferoni mësimin me një model ekzistues, ju lutemi referojuni Dokumentacionit të Koraleve të Google.

Hapi 1: Vendosni një kovë të ruajtjes së reve në Google

1. Hyni në llogarinë tuaj gmail (ose krijoni një nëse nuk keni një llogari Google)

2. Shkoni në faqen e përzgjedhësit të projektit dhe bëni një projekt të ri për skedarët tuaj model dhe spektrogram. Ju do të duhet të aktivizoni faturimin për të përparuar më tej.

3. Vizitoni https://cloud.google.com/storage/ dhe shtypni butonin e krijimit të kovës në krye të faqes.

4. Shkruani emrin e dëshiruar të kovës dhe krijoni kovën duke pranuar cilësimet e paracaktuara.

Hapi 2: Formatoni të dhënat tuaja dhe krijoni Csv të të dhënave

Unë kam hartuar një skript të dobishëm për të krijuar skedarin tuaj të të dhënave. Csv të nevojshme për të krijuar modelin tuaj. Skedari i të dhënave lidh imazhet në kovën tuaj me etiketat e tyre në grupin e të dhënave.

1. Shkarkoni depon ThinkBioT nga GitHub dhe

2. Kopjoni skedarin tbt_spect_example.sh nga drejtoria Tools në një dosje të re në desktopin tuaj.

3. Shtoni skedarët audio që dëshironi të përdorni në modelin tuaj, duke i vendosur në dosje që kanë etiketën e tyre (p.sh. në çfarë dëshironi të renditen. Për shembull, nëse dëshironi të identifikoni qen ose mace, mund të keni një dosje qen, me tinguj leh OR dosje me emrin mace me tinguj mace etj.

4. Hapni tbt_spect_example.sh me Notepad ++ dhe zëvendësoni "yourbucknamename" në rreshtin 54 me emrin e kovës suaj të ruajtjes në Google. Për shembull, nëse kova juaj quhej myModelBucket linja do të ndryshohej në

kovë = "gs: // myModelBucket/spectro-data/"

5. Drejtoni kodin duke shtypur sa vijon në terminalin tuaj Bash, kodi do të ekzekutohet dhe do të krijojë skedarin tuaj të etiketave csv dhe një direktori të quajtur spektro-të dhëna në pjesën e sipërme të tavolinës tuaj me spektrogramet që rezultojnë.

sh tbt_spect_example.sh

Hapi 3: Ngarko spektogramet tuaja në kovën tuaj

Ka disa mënyra për të ngarkuar në Google Storage, më e lehtë është të bësh një dosje të drejtpërdrejtë deri në ngarkim;

1. Klikoni mbi emrin e kovës tuaj në faqen tuaj të Google Storage.

2. Përzgjidhni butonin "UPLOAD FOLDER" dhe zgjidhni drejtorinë tuaj "spectro-data/" të krijuar në hapin e fundit.

OSE

2. Nëse keni një sasi të madhe skedarësh, mund të krijoni manualisht drejtorinë "spectro-data/" duke zgjedhur "CREATE FOLDER", pastaj lundroni në dosje dhe zgjidhni "NGARJA E DOSJEVE". Ky mund të jetë një opsion i shkëlqyeshëm për grupet e mëdha të të dhënave pasi mund të ngarkoni spektogramet në seksione, madje edhe duke përdorur kompjuterë të shumtë për të rritur shpejtësinë e ngarkimit.

OSE

2. Nëse jeni përdorues i avancuar, mund të ngarkoni edhe përmes Google Cloud Shell;

gsutil cp spectro-data/* gs: // your-bucket-name/spectro-data/

Tani duhet të kesh një kovë plot spektogramë mjaft të bukur!

Hapi 4: Ngarko Csv -në e të dhënave të tua

Tani na duhet të ngarkojmë skedarin model-labels.csv në drejtorinë tuaj "spectro-data/" në Google Storage, në thelb është e njëjtë me hapin e fundit, ju thjesht po ngarkoni një skedar të vetëm në vend të shumë.

1. Klikoni mbi emrin e kovës tuaj në faqen tuaj të Google Storage.

2. Zgjidhni butonin UPLOAD FILE dhe zgjidhni skedarin tuaj model-labels.csv që keni krijuar më herët.

Hapi 5: Krijoni një bazë të dhënash

1. Së pari do t'ju duhet të gjeni API AutoML VIsion, mund të jetë pak e ndërlikuar! Mënyra më e lehtë është të kërkoni "automl vision" në shiritin e kërkimit të hapësirës ruajtëse të Google Cloud (në foto).

2. Pasi të klikoni në lidhjen API do t'ju duhet të aktivizoni API.

3. Tani do të jeni në Panelin e Vizionit AutoML (në foto) klikoni në butonin e ri të bazës së të dhënave dhe zgjidhni Single label dhe opsionin 'Select a CSV file'. Pastaj do të përfshini lidhjen me skedarin tuaj model-labels.csv në kovën tuaj të ruajtjes. Nëse e keni ndjekur këtë mësim do të jetë si më poshtë

gs: //yourBucketName/spectro-data/model-labelsBal.csv

4. Pastaj shtypni vazhdoni për të krijuar bazën e të dhënave tuaja. Mund të duhet pak kohë për tu krijuar.

Hapi 6: Krijoni modelin tuaj AutoML

Pasi të keni marrë emailin tuaj duke ju bërë të ditur se grupi juaj i të dhënave është krijuar, jeni gati të krijoni modelin tuaj të ri.

1. Shtypni butonin TRAIN
2. Zgjidhni llojin e modelit: Vlerësimet e vonesës së Edge dhe Model: Edge TPU dhe lini opsionet e tjera si parazgjedhje fillimisht, të vështira që mund të dëshironi të eksperimentoni më vonë.
3. Tani modeli juaj do të stërvitet, do të marrë pak kohë dhe do të merrni një email kur të jetë gati për tu shkarkuar.

Shënim: Nëse butoni i trenit nuk është i disponueshëm, mund të keni probleme me bazën e të dhënave tuaja. Nëse keni më pak se 10 të secilës klasë (etiketë) sistemi nuk do t'ju lejojë të Trajnoni një Model kështu që mund t'ju duhet të shtoni imazhe shtesë. Vlen të shikoni videon Google AutoML nëse keni nevojë për sqarim.

Hapi 7: Testoni modelin tuaj

Pasi të keni marrë email -in e përfundimit të modelit tuaj, klikoni në lidhjen për t'u kthyer në API të AutoML Vision.

1. Tani do të jeni në gjendje të shihni rezultatet tuaja dhe matricën e konfuzionit për modelin tuaj.

2. Hapi tjetër është të testoni Modelin tuaj, shkoni te 'TEST & USE' ose 'PREDICT' çuditërisht duket se ka 2 GUI të përdoruesve, të dyja të cilët i kam fotografuar, por opsionet të dyja kanë të njëjtin funksionalitet.

3. Tani mund të ngarkoni një spektrogram provë. Për të bërë një spektrogram të vetëm mund të përdorni programin tbt_make_one_spect.sh nga ThinkBioT Github. Thjesht hidhni atë në një dosje me wav që dëshironi të konvertoni në një spektrogram hapni një dritare Git Bash (ose terminal) dhe përdorni kodin më poshtë, duke zëvendësuar emrin e skedarit tuaj.

sh tbt_make_one_spect.sh yourWavName.wav

4. Tani thjesht ngarkoni spektrogramin dhe kontrolloni rezultatin tuaj!

Hapi 8: Instaloni modelin tuaj në ThinkBioT

Për të përdorur modelin tuaj të ri me shkëlqim, thjesht hidhni modelin dhe skedarin txt në dosjen CModel;

pi> ThinkBioT> ClassProcess> CModel

Tani jeni gati të përdorni ThinkBioT:)

** NB ** Nëse jeni duke përdorur modelin tuaj jashtë kornizës ThinkBioT, do t'ju duhet të redaktoni dokumentin tuaj të etiketës si numra shtesë në fillim të secilës rresht pasi funksioni i fundit i interpretuesve tflite i integruar "lexues etiketash" supozon se janë atje. Unë kam shkruar një funksion të personalizuar në kuadrin ThinkBioT classify_spect.py si një punë rreth së cilës jeni të mirëpritur të përdorni në kodin tuaj:)

def ReadLabelFile (file_path):

counter = 0 me të hapur (file_path, 'r', encoding = 'utf-8') as f: lines = f.readlines () ret = {} për linjën në rreshta: ret [int (counter)] = line.strip () counter = counter + 1 ret ret