Driverless AI의 이미지 처리¶
Driverless AI의 이미지 처리는 디지털 이미지로부터 통찰을 얻는 데 사용할 수 있는 강력한 도구입니다. 다음 섹션에서는 Driverless AI의 이미지 처리 기능에 대해 설명합니다.
Driverless AI로의 Uploading Image dataset
Image Transformer: 데이터 세트에 이미지와 다른 기능 유형이 모두 포함될 때 이미지 트랜스포머를 사용합니다.
Image Model: 데이터 세트의 유일한 특색이 이미지인 경우 이미지 모델을 구축합니다.
생산으로의 Deploying an Image Model
참고
Image models from Driverless AI 버전 1.9.x의 이미지 모델은 1.10.x에서 지원되지 않습니다.
Driverless AI의 이미지 NLP 사용 사례는 GPU usage 에서 상당한 이점을 얻습니다.
이미지 처리에서 지원하는 파일 유형¶
다음은 Driverless AI에서 이미지 프로세싱을 위해 지원하는 파일 유형의 목록입니다.
Windows 비트맵 - .bmp
JPEG 파일 - .jpeg, .jpg, .jpe
JPEG 2000 파일 - .jp2
이동식 네트워크 그래픽 - .png
WebP - .webp
이동식 이미지 포맷 - .pbm, .pgm, .ppm, .pnm
TIFF 파일 - .tiff, .tif
OpenEXR 이미지 파일 - .exr
Radiance HDR - .hdr
브라우저 제한으로 인해 GUI에서 데이터 세트 행을 볼 때 이미지가 일부 포맷(예: .ppm, .tiff, .pnm 및 .exr)에 대해 렌더링되지 않을 수 있습니다. 이러한 이미지는 여전히 Driverless AI와 호환되며 DAI에 제공할 통찰이 있는 경우 Insights 열에 표시됩니다.
이상적으로 Driverless AI 는 모든 OpenCV Image formats 를 지원할 수 있습니다.
이미지 처리를 위한 데이터 업로드¶
Driverless AI는 이미지 데이터 세트 업로드를 위한 다양한 방법을 지원합니다.
각 클래스의 디렉터리에 이미지를 보관합니다. 각 클래스의 레이블은 디렉터리 계층 구조를 기반으로 자동 생성됩니다.
이미지 및 이미지 이름이 포함된 하나 이상의 열과 대상 열이 포함된 CSV 파일로 보관합니다(최고의 회귀분석 방법). 각 이미지 이름에는 올바른 파일 확장자가 포함되어야 합니다.
디스크의 이미지에 대한 로컬 경로를 포함한 CSV 파일
이미지에 대한 원격 URL을 포함한 CSV 파일
모델링 이미지¶
Driverless AI는 이미지 모델링에 대한 두 가지 접근 방식을 제공합니다.
임베딩 Transformer(이미지 Vectorizer)¶
Image Vectorizer transformer 는 TensorFlow pre-trained ImageNet models 모델을 사용하여 이미지 경로 또는 URI를 포함한 열을 모델의 마지막 전역 평균 풀링 계층에서 유도한 임베딩(벡터) 표현으로 변환합니다. 변환된 벡터는 Driverless AI의 모델링에 사용됩니다.
Expert Settings 패널에는 이미지 벡터라이저(Vectorizer) 트랜스포머를 구성할 수 있는 몇 가지 옵션이 있습니다. 이 패널은 스코어러 노브 위의 실험 페이지에서 이용 가능합니다. 해당 옵션에 대한 자세한 내용은 이미지 설정 를 참조하십시오.
Notes:
이 모델링 접근 방식은 분류 및 회귀 분석 실험을 지원합니다.
이 모델링 접근 방식은 혼합 데이터 유형(모든 수의 이미지 열, 텍스트 열, 숫자 또는 범주 열) 사용을 지원합니다.
이미지 벡터라이저(Vectorizer) 트랜스포머는 실험 탭에 있는 Pipeline Building Recipe 상세 설정으로 활성화할 수도 있습니다.
자동 이미지 모델¶
자동 이미지 모델은 이미지와 라벨만 입력 특성으로 수용하는 AutoML 모델입니다. 이 모델은 학습률, 최적화, 배치 크기 및 이미지 입력 크기와 같은 하이퍼파라미터를 자동으로 선택합니다. 또한 에포크 수, 크로핑 전략, 증강 및 학습률 스케줄러를 선택하여 훈련 프로세스를 자동화합니다.
자동 이미지 모델은 TensorFlow ImageNet models 를 사용하고 여기에서 교육 프로세스를 시작합니다. 가능한 아키텍처 목록에는 널리 알려진 모든 모델이 포함됩니다. 이 모델에는 (SE)-ResNe(X)ts, DenseNets, EfficientNets 등이 포함됩니다.
현재 최고의 개별 모델에 대한 정보와 샘플 이미지를 제공하는 독특한 인사이트를 자동 이미지 모델에 이용할 수 있습니다. 이러한 통계를 확인하려면 실험이 실행 중이거나 실험이 완료된 후에 Insights 옵션을 클릭하십시오. 자세한 내용은 ImageAuto 모델 인사이트 를 참조하십시오.
각 개별 모델 Score(신경망 아키텍처 이름과 함께)는 반복 데이터 패널에서 이용 가능합니다. 반복 데이터의 마지막 포인트는 항상 ENSEMBLE이라고 불립니다. 이는 최종 모델이 여러 개별 모델을 통합하는 것을 나타냅니다.
자동 이미지 모델 활성화¶
자동 이미지 모델을 활성화하려면 pipeline-building-recipe 상세 설정으로 이동하여 image_model 옵션을 선택하십시오.
선택을 확인한 후 Save 를 클릭하십시오. 실험 미리보기 섹션이 업데이트되어 자동 이미지 모델에 대한 정보를 포함합니다.
Notes:
이 모델링 접근 방식은 입력으로 단일 이미지 열만 지원합니다.
이 모델링 접근 방식은 transformers를 지원하지 않습니다.
이 모델링 접근 방식은 분류 및 회귀 분석 실험을 지원합니다.
이 모델링 접근 방식은 입력 특성 제한 때문에 혼합 데이터 유형의 사용을 지원하지 않습니다.
이 모델링 접근 방식은 Genetic Algorithm (GA)을 사용하지 않습니다.
이 모델링 접근 방식에는 하나 이상의 GPU 사용을 권장합니다.
인터넷 연결이 가능한 경우 ImageNet 사전 학습된 가중치가 자동으로 다운로드됩니다. 인터넷 연결을 사용할 수 없는 경우 http://s3.amazonaws.com/artifacts.h2o.ai/releases/ai/h2o/pretrained/dai_image_models_1_10.zip 에서 가중치를 다운로드하고
tensorflow_image_pretrained_models_dir(./pretrained/image/기본값)로 추출하십시오.Driverless AI Docker install 로 이미지 모델을 광범위하게 실행하는 경우
--shm-size=2g로 설정하는 것을 권장합니다.
이미지 모델 배포¶
Python scoring 및 C++ MOJO scoring 모두 Image Vectorizer Transformer 를 지원합니다. 현재 Python 채점만 image models 를 지원합니다.