활동 1: 모델 교육 및 내보내기

이전 학습에서는 PictoBlox 내에서 기계 학습 환경을 사용하는 방법에 대해 소개했습니다. 마스크 감지를 위한 프로젝트를 생성하고 다음 3개 클래스에 대한 데이터를 업로드했습니다.

1. Mask On
2. Mask Off
3. Mask Wrong

이 세션에서는 이전 강의에 이어 이전 강의에서 업로드한 데이터/이미지를 사용하여 마스크 감지 기계 학습 모델의 교육을 수행합니다. 그런 다음 실시간 데이터에서 모델의 성능을 테스트합니다.

모델 훈련

이제 데이터를 수집했으므로 새로운 보이지 않는 데이터를 이 세 가지 클래스로 분류하는 방법을 모델에 가르칠 차례입니다. 이를 위해 우리는 기차 모델. 모델을 교육함으로써 이미지에서 의미 있는 정보를 추출하고 이를 업데이트합니다. 무게. 이러한 가중치가 저장되면 모델을 사용하여 이전에 본 적이 없는 데이터를 예측할 수 있습니다.

그러나 모델을 교육하기 전에 알아야 할 몇 가지 하이퍼 매개변수가 있습니다. ” Advanced ” 탭을 클릭하면 볼 수 있습니다.

여기에서 함께 사용할 수 있는 세 가지 하이퍼파라미터가 있습니다.

1. Epochs– 교육 모델을 통해 데이터가 공급되는 총 횟수입니다. 따라서 10 epoch에서 데이터 세트는 교육 모델을 통해 공급됩니다. 10회 . epochs 수를 늘리면 종종 성능이 향상될 수 있습니다.
2. 배치 크기– 한 단계에서 사용될 샘플 세트의 크기. 예를 들어, 데이터 세트에 160개의 데이터 샘플이 있고 배치 크기가 16인 경우 각 에포크는 160/16=10단계 . 이 하이퍼 매개변수를 변경할 필요가 거의 없습니다.
3. 학습률 – 단계를 반복한 후 모델이 가중치를 업데이트하는 속도를 나타냅니다. 이 매개변수를 조금만 변경해도 모델 성능에 큰 영향을 미칠 수 있습니다 . 일반적인 범위는 0.001에서 0.0001 사이입니다.

표준 하이퍼파라미터로 모델을 훈련하고 성능을 살펴보겠습니다. Python Coding Environment에서 작업하고 있으므로 Python(JS 아님)에서만 모델을 교육할 수 있습니다.

학습을 시작하려면 ” Train Model ” 버튼을 클릭합니다. 이 모델의 하이퍼파라미터는 변경할 필요가 없습니다.

 

모델은 훌륭한 결과를 보여줍니다! 정확도 그래프의 판독값이 높을수록 모델이 더 좋다는 것을 기억하십시오. 그래프의 x축은 epochs를 나타내고 y축은 해당 정확도를 나타냅니다. 정확도 범위는 0~1입니다.

모델 테스트

이제 모델이 훈련되었으므로 예상한 결과를 제공하는지 살펴보겠습니다. 장치의 카메라를 사용하거나 장치 저장소에서 이미지를 업로드하여 모델을 테스트할 수 있습니다. 웹캠을 사용하여 시작하겠습니다.

테스트 상자에서 “Webcam” 옵션을 클릭하면 모델이 창의 이미지를 기반으로 예측을 시작합니다.

엄청난! 이 모델은 실시간으로 예측할 수 있습니다. 이제 테스트 상자의 오른쪽 상단에 있는 십자가를 클릭하여 창을 닫습니다.

이제 모델을 내보내고 Python coding 환경에서 프로젝트를 만들 수 있습니다.

모델을 Python 환경으로 내보내기

테스트 상자의 오른쪽 상단에 있는 ” Export Model ” 버튼을 클릭하면 PictoBlox가 모델을 Python 환경으로 로드합니다.

테스트할 준비가 된 Python 테스트 코드가 스크립팅 영역에 자동으로 표시되는지 확인합니다.

Beautify 버튼을 클릭하여 들여쓰기 오류가 없는 코드를 만듭니다. A+ 아이콘(Magic Wand)에서 왼쪽에 있는 아이콘입니다.

다음은 PictoBlox에서 생성한 코드입니다.

####################imports####################
#do not change

import cv2
import numpy as np
import tensorflow as tf

#do not change
####################imports####################

# Following are the model and video capture configurations
# do not change

model = tf.keras.models.load_model('saved_model.h5',
                                   custom_objects=None,
                                   compile=True,
                                   options=None)

cap = cv2.VideoCapture(0)  # Using device's camera to capture video
text_color = (206, 235, 135)
org = (50, 50)
font = cv2.FONT_HERSHEY_SIMPLEX
fontScale = 1
thickness = 3

class_list = ['Mask Off', 'Mask On', 'Mask Wrong']  # List of all the classes

#do not change
###############################################

#This is the while loop block, computations happen here

while True:
  ret, image_np = cap.read()  # Reading the captured images
  image_np = cv2.flip(image_np, 1)
  image_resized = cv2.resize(image_np, (224, 224))
  img_array = tf.expand_dims(image_resized,
                             0)  # Expanding the image array dimensions
  predict = model.predict(img_array)  # Making an initial model prediction
  predict_index = np.argmax(predict[0],
                            axis=0)  # Generating index out of the prediction
  predicted_class = class_list[
      predict_index]  # Tallying the index with class list

  image_np = cv2.putText(
      image_np, "Image Classification Output: " + str(predicted_class), org,
      font, fontScale, text_color, thickness, cv2.LINE_AA)

  print(predict)
  cv2.imshow("Image Classification Window",
             image_np)  # Displaying the classification window

  ###############################################
  #Add your code here

  #Add your code here
  ###############################################

  if cv2.waitKey(25) & 0xFF == ord(
      'q'):  # Press 'q' to close the classification window
    break

cap.release()  # Stops taking video input
cv2.destroyAllWindows()  #Closes input window

이 코드는 세 가지 라이브러리를 사용합니다.

1. OpenCV – 이미지 캡처 및 이미지 처리용
2. Numpy – 배열 조작용
3. Tensorflow – 기계 학습용

Run 버튼을 클릭하여 코드를 실행하고 테스트합니다.