2. daļa. ThinkBioT modelis ar Google AutoML: 8 soļi

2024 Autors: John Day | [email protected]. Pēdējoreiz modificēts: 2024-01-30 10:54

ThinkBioT ir izstrādāts kā “Plug and Play” ar Edge TPU saderīgiem TensorFlow Lite modeļiem.

Šajā dokumentācijā mēs apskatīsim spektrogrammu izveidi, datu formatēšanu un Google AutoML izmantošanu.

Šajā apmācībā esošais kods tiks rakstīts bash, tāpēc tas būs saderīgs ar vairākām platformām.

Atkarības

• Tomēr pirms sākšanas jums būs jāinstalē komandrindas audio programma, kas ir saderīga ar Windows, Mac un Linux ierīcēm.
• Ja izmantojat Windows ierīci, vienkāršākais veids, kā palaist bash skriptus, ir caur Git, tāpēc es ieteiktu to lejupielādēt un instalēt kā noderīgu daudzos veidos,
• Lai rediģētu kodu, izmantojiet savu iecienītāko redaktoru vai instalējiet NotePad ++ operētājsistēmai Windows vai Atom citām operētājsistēmām.

** Ja jums jau ir TensorFlow modelis vai vēlaties izmēģināt pārneses mācīšanos ar esošu modeli, lūdzu, skatiet Google Coral dokumentāciju.

1. darbība. Iestatiet Google mākoņa krātuves grupu

1. Piesakieties savā Gmail kontā (vai izveidojiet to, ja jums nav Google konta)

2. Dodieties uz projektu atlasītāja lapu un izveidojiet jaunu projektu modeļa un spektrogrammas failiem. Lai turpinātu darbu, jums būs jāiespējo norēķini.

3. Apmeklējiet vietni https://cloud.google.com/storage/ un lapas augšdaļā nospiediet pogu Izveidot kopu.

4. Ievadiet vēlamo segmenta nosaukumu un izveidojiet kopu, kas pieņem noklusējuma iestatījumus.

2. darbība: formatējiet savus datus un izveidojiet datu kopu Csv

Esmu izveidojis noderīgu skriptu, lai izveidotu jūsu dataset.csv failu, kas nepieciešams jūsu modeļa izveidei. Datu kopas fails sasaista jūsu kopas attēlus ar to etiķetēm datu kopā.

1. Lejupielādējiet ThinkBioT krātuvi no GitHub un

2. Kopējiet tbt_spect_example.sh failu no direktorijas Rīki jaunā mapē uz darbvirsmas.

3. Pievienojiet audio failus, kurus vēlaties izmantot savā modelī, ievietojot tos mapēs, kurām ir etiķete (ti, kādā vēlaties tās sakārtot. Piemēram, ja vēlaties identificēt suņus vai kaķus, varat izveidot mapi suns, ar mizas skaņām VAI mape ar nosaukumu kaķis ar kaķu skaņām utt.

4. Atveriet tbt_spect_example.sh ar Notepad ++ un nomainiet "yourbucknamename" 54. rindā ar jūsu Google krātuves segmenta nosaukumu. Piemēram, ja jūsu segmentu sauca par myModelBucket, līnija tiks mainīta uz

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

5. Izpildiet kodu, Bash terminālī ierakstot tālāk norādīto. Kods tiks palaists un uz jūsu galda izveidos jūsu etiķešu csv failu un direktoriju ar nosaukumu spektro-data ar iegūtajām spektrogrammām.

sh tbt_spect_example.sh

3. darbība: augšupielādējiet savas spektrogrammas savā spainī

Ir vairāki veidi, kā augšupielādēt Google krātuvē. Vienkāršākais ir ielādēt mapi tieši;

1. Google krātuves lapā noklikšķiniet uz sava segmenta nosaukuma.

2. Izvēlieties pogu "UPLOAD FOLDER" (augšupielādēt mapi) un izvēlieties direktoriju "spectro-data/", kas izveidots pēdējā solī.

VAI

2. Ja jums ir liels failu skaits, jūs manuāli izveidojat direktoriju "spectro-data/", izvēloties "CREATE FOLDER", tad dodieties uz mapi un izvēlieties "UPLOAD FILES". Tas var būt lieliska iespēja lielām datu kopām, jo jūs varat augšupielādēt spektrogrammas sadaļās, pat izmantojot vairākus datorus, lai palielinātu augšupielādes ātrumu.

VAI

2. Ja esat pieredzējis lietotājs, varat augšupielādēt arī, izmantojot Google Cloud Shell;

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

Tagad jums vajadzētu būt spainim, kas pilns ar diezgan glītām spektrogrammām!

4. darbība. Augšupielādējiet savu datu kopu Csv

Tagad mums ir jāaugšupielādē modelis-labels.csv fails jūsu krātuvē "spectro-data/" Google krātuvē, tas būtībā ir tāds pats kā pēdējais solis, jūs augšupielādējat tikai vienu failu, nevis daudzus.

1. Google krātuves lapā noklikšķiniet uz sava segmenta nosaukuma.

2. Atlasiet pogu "UPLOAD FILE" un augšupielādējiet savu model-labels.csv failu, kuru izveidojāt iepriekš.

5. darbība: izveidojiet datu kopu

1. Vispirms jums būs jāatrod AutoML VIsion API, tas var būt nedaudz sarežģīti! Vienkāršākais veids ir meklēt “automl vision” Google Cloud krātuves meklēšanas joslā (attēlā).

2. Kad esat noklikšķinājis uz API saites, jums būs jāiespējo API.

3. Tagad jūs atradīsit AutoML Vision informācijas paneli (attēlā), noklikšķiniet uz jaunās datu kopas pogas un atlasiet Viena iezīme un opcija Atlasīt CSV failu. Pēc tam krātuves grupā iekļausit saiti uz savu model-labels.csv failu. Ja esat sekojis šai apmācībai, tas notiks, kā norādīts zemāk

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

4. Pēc tam nospiediet turpināt, lai izveidotu savu datu kopu. Izveidošana var aizņemt kādu laiku.

6. darbība: izveidojiet savu AutoML modeli

Kad esat saņēmis e -pasta ziņojumu, kurā norādīts, ka jūsu datu kopa ir izveidota, esat gatavs izveidot savu jauno modeli.

1. Nospiediet pogu TRAIN
2. Atlasiet modeļa tipu: malu un modeļa latentuma aprēķini: Edge TPU un sākotnēji atstājiet citas opcijas kā noklusējuma, iespējams, vēlēsities eksperimentēt un vēlāk.
3. Tagad jūsu modelis tiks apmācīts, tas prasīs zināmu laiku, un jūs saņemsit e -pastu, kad tas būs gatavs lejupielādei.

Piezīme. Ja apmācības poga nav pieejama, jums var būt problēmas ar datu kopu. Ja jums ir mazāk nekā 10 no katras klases (etiķetes), sistēma neļaus jums apmācīt modeli, tāpēc jums, iespējams, būs jāpievieno papildu attēli. Ja jums ir nepieciešams paskaidrojums, ir vērts apskatīt Google AutoML video.

7. darbība: pārbaudiet savu modeli

Kad esat saņēmis modeļa pabeigšanas e -pastu, noklikšķiniet uz saites, lai atgrieztos AutoML Vision API.

1. Tagad jūs varēsit apskatīt savus rezultātus un sava modeļa neskaidrību matricu.

2. Nākamais solis ir pārbaudīt savu modeli, dodieties uz “TEST & USE” vai “PREDICT”, bet dīvainā kārtā šķiet, ka ir 2 lietotāju GUI, abus attēloju, bet abām opcijām ir viena un tā pati funkcionalitāte.

3. Tagad jūs varat augšupielādēt testa spektrogrammu. Lai izveidotu vienu spektrogrammu, varat izmantot ThinkBioT Github programmu tbt_make_one_spect.sh. Vienkārši nometiet to mapē ar wav, kuru vēlaties pārvērst spektrogrammā, atveriet Git Bash logu (vai termināli) un izmantojiet zemāk esošo kodu, aizstājot savu faila nosaukumu.

sh tbt_make_one_spect.sh jūsu WavName.wav

4. Tagad vienkārši augšupielādējiet spektrogrammu un pārbaudiet savu rezultātu!

8. darbība: instalējiet savu modeli ThinkBioT

Lai izmantotu savu jauno spīdīgo modeli, vienkārši nometiet modeli un txt failu CModel mapē;

pi> ThinkBioT> ClassProcess> CModel

Tagad jūs esat gatavs lietot ThinkBioT:)

** NB ** Ja izmantojat savu modeli ārpus ThinkBioT ietvara, jums būs jārediģē etiķetes dokuments, katras rindas sākumam pievienojot atskaites, jo jaunākās tflite tulku iebūvētās "lasāmo iezīmju" funkcijas tiek pieņemtas. ThinkBioT sistēmā classify_spect.py esmu uzrakstījis pielāgotu funkciju kā darbu, kuru varat izmantot savā kodā:)

def ReadLabelFile (file_path):

skaitītājs = 0 ar atvērtu (file_path, 'r', encoding = 'utf-8') kā f: lines = f.readlines () ret = {} rindai rindās: ret [int (counter)] = line.strip () skaitītājs = skaitītājs + 1 atgriešanās ret