人工智能应用与实践 课件 -第6章-人工智能模型与开发

ArtificialIntelligenceApplicationsandPractices芦碧波等人工智能应用与实践第六章

人工智能模型与开发目

录行业PPT模板/hangye/01人工智能模型开发方式02交互式图像分类模型开发03交互式物体检测模型开发04本章小结05习题01人工智能模型开发方式人工智能模型开发方式人工智能模型开发过程人工智能模型开发方式2交互式人工智能开发4纯代码人工智能开发3低代码人工智能开发1零代码人工智能开发人工智能模型开发方式1.零代码人工智能开发不涉及任何编程知识，用户可以通过图形界面，使用预设的模块和模型来构建人工智能应用；百度公司的EasyDL和华为公司的ModelArts。2.交互式人工智能开发强调用户与开发工具或平台之间动态交互的开发方式；开发者不涉及编程，但可以更改模型的一些参数；降低了开发门槛，不需要开发者精通复杂的编程语法和深度学习框架底层细节；PaddleX是由百度公司推出的深度学习全流程交互式开发工具，通过图形化界面和丰富的预训练模型库，为开发者提供从数据处理、模型训练、评估优化到部署的一站式解决方案。3.低代码人工智能开发介于零代码和传统编码之间的开发方式；它允许开发人员使用图形化界面和少量代码来构建人工智能应用；低代码平台提供了预构建的模块和模板，使得开发人员可以快速组装和配置应用程序，而无须从头开始编写大量代码；长河算法可视化开发工具，通过拖拽的形式，生成完整的算法模型，并快速生成代码进行任务训练。为用户提供单机部署的轻量级人工智能建模开发工具，同时提供准备好的开发环境、可视化建模功能、行业算法及案例，提供多类模型案例与大模型接口。4.纯代码人工智能开发通过编写程序来构建、训练和部署人工智能模型的方法；它要求开发者具备扎实的编程基础、算法知识和实践经验，以确保模型的准确性和效率；该方式适用于计算机和人工智能专业人士；通过使用专业的人工智能框架和库来构建应用程序，使开发者可以利用这些框架来实现自定义的人工智能模型，进行深入的模型调优和优化。4.纯代码人工智能开发TensorFlow是谷歌公司开发的一款功能强大的开源深度学习框架；具有高度的灵活性和可扩展性，能用于构建各种复杂的人工智能模型；通过计算图来表示计算过程，这种抽象方式有利于模型的优化和并行化；提供了丰富的API，从高层的Keras快速搭建模型接口，到深入底层细节的自定义操作接口，适合不同水平的开发者。4.纯代码人工智能开发PyTorch是Facebook（现Meta）公司推出的深度学习框架，以动态计算图为特色；在模型开发和调试过程中非常直观，开发者可以像使用普通Python代码一样构建和修改模型；编程风格符合Python习惯，方便熟悉Python的开发者快速上手。4.纯代码人工智能开发飞桨是百度公司开发的产业级深度学习开源平台；提供了丰富的预训练模型库，涵盖多个应用领域，能帮助开发者快速开启项目；具备高效的分布式训练和推理能力，通过多机多卡训练加速模型开发过程，并且在推理阶段也能高效处理数据。4.纯代码人工智能开发MindSpore是华为公司打造的全场景深度学习框架；它的自动微分和高效编译功能方便了模型训练和优化，能够自动计算函数导数，并将计算图高效转换为机器码；可实现全场景协同，支持云端、边缘设备和移动端的协同工作，为物联网等应用场景提供了强大的支持。4.纯代码人工智能开发计图是清华大学自主研发的深度学习框架；其动态编译和即时执行的特点使它能够在运行时快速生成高效的机器代码，大大提高了代码执行效率；采用元算子融合技术，有效提升计算效率，特别是在处理深度学习中的复杂运算时效果显著；在内存管理上进行了优化，减少内存占用和碎片，保证在处理大规模数据和复杂模型时系统的稳定运行。02交互式图像分类模型开发图像分类图像分类处理流程图像分类就是让计算机“看”图像，并能够识别出图像中的主要对象是什么给计算机一张图片，它能够识别出这是一只猫、一辆车还是一座山静物识别或状态/场景等进行识别。基于PaddleX的图像分类模型训练PaddleX是一个功能强大的计算机视觉开发工具，它提供了直观易用的图形化界面，具有图像分类、物体检测、语义分割、实例分割、遥感分割等多种视觉任务处理功能；PaddleX是飞桨开源的工具，单机版、免安装，要求操作系统为windows7、windows8或windows10，使用期间要求联网（模型首次使用时用于下载模型权重文件）；电脑不能有GPU特别注意在使用过程中，输入图像数据命名可以为数字和字母，不能有中文和特殊符号，否则会因此出现错误、导致无法进行模型训练。基于PaddleX的图像分类模型训练（1）运行程序在飞桨官网下载PaddleX2.1.0版本，解压后即可运行，双击打开PaddleX，首页如图。基于PaddleX的图像分类模型训练（2）初始化工作空间在首页单击“立即使用”按钮，弹出页面，初始化工作空间。单击“确定”按钮后，进入下载样例工程页面，单击“确定”按钮即可。基于PaddleX的图像分类模型训练（2）初始化工作空间在新弹出的页面中，勾选“图像分类”和“目标检测”复选框，单击“确定”按钮，即可开始对项目的样例进行下载（也可以不下载）。基于PaddleX的图像分类模型训练（3）创建项目项目下载后进入PaddleX页面。在“项目管理”分类下“我的项目”界面中，单击“新建项目”按钮。基于PaddleX的图像分类模型训练在新弹出的页面中，输入项目名称：失物招领，并对项目做简单描述，最后选择“图像分类”选项，单击“创建”按钮，完成项目创建。基于PaddleX的图像分类模型训练（4）新建数据集在完成项目创建后，创建数据集，将数据上传。在最左侧的导航栏中的“数据集管理”分类下，选择“我的数据集”选项，单击“新建数据集”按钮。基于PaddleX的图像分类模型训练在新弹出的页面中，填写数据集名称：水杯与钥匙，选择“图像分类”选项，单击“创建”按钮。基于PaddleX的图像分类模型训练PaddleX对导入的文件有如下要求。①需要选定数据集所在文件夹路径（路径中仅含一个数据集），不支持zip、tar、gz等压缩包形式的数据导入。②图片格式支持png、jpg、jpeg、bmp格式，图片命名采用数字和英文字母。③文件夹名为需要分类的类名，输入限定为英文字符，不可包含空格、中文或特殊字符。基于PaddleX的图像分类模型训练在数据集导入中，假设存储路径选择为“此电脑/桌面/test”，test文件夹中包含cup和key两个文件夹，单击“确定导入”按钮。基于PaddleX的图像分类模型训练图片导入后，cup和key各120张图片。基于PaddleX的图像分类模型训练单击“立即切分”按钮，把240张图片按7:2:1分为训练集、验证集和测试集切分。基于PaddleX的图像分类模型训练（5）启动训练数据集创建并导入数据后，在左侧导航栏中，单击“项目”选项，单击之前创建的项目“失物招领”，会看到“数据选择”页面，在“选择数据集”下拉菜单中选择“水杯与钥匙”选项，单击“下一步”按钮。基于PaddleX的图像分类模型训练在新弹出的参数配置页面中，可调整“迭代轮数”和“批大小”，单击“启动训练”按钮即可开始对模型进行训练。注意：将“批大小”设为1基于PaddleX的图像分类模型训练单击“启动训练”按钮，在训练中通过“完成进度”可看到训练的完成百分比。基于PaddleX的图像分类模型训练训练结束后，用户可以单击“模型评估”按钮，查看模型的评估报告。基于PaddleX的图像分类模型训练可通过图像分类整体指标和整体分类结果，看到模型的精准率、召回率和F1-score，如果对模型不满意，可在评估模型选择中调整Epoch的值，重新评估。基于PaddleX的图像分类模型训练混淆矩阵是一个表格，用来查看分类模型预测得准不准。它把实际类别和模型预测的类别放在一起比较，便于一眼就能看出模型哪些地方预测对了，哪些地方预测错了。基于PaddleX的图像分类模型训练（6）模型测试完成训练后，在模型测试中，测试类型选择“测试集图片测试”，单击“启动测试”按钮，即开始模型的测试。基于PaddleX的图像分类模型训练模型测试完成，单击“导出报告”按钮，可导出报告。基于PaddleX的图像分类模型训练在弹出的新页面中，可将报告命名，并设置存储路径，单击“确定”。基于PaddleX的图像分类模型训练根据路径找到报告，报告为excel表。打开该表，报告中包含混淆矩阵、整体平均指标和整体分类评估结果，看到cup和key的精准率、召回率和F1-score。基于PaddleX的图像分类模型训练在进行模型测试时，测试类型选择“单张图片测试”，在“图片路径”中，根据路径选择一张图片，单击“启动测试”按钮。基于PaddleX的图像分类模型训练结果在“预览测试图片”显示。根据图片测试结果为水杯，测试准确度为0.932，根据图片测试结果为钥匙，测试准确度为0.959。基于PaddleX的图像分类模型训练在进行模型测试时，测试类型选择“批量图片测试”，在图片路径中，根据路径选择一个文件夹，可对文件夹中所有图片均进行测试，单击“启动测试”按钮，结果在“预览测试图片”中显示。基于PaddleX的图像分类模型训练（7）模型发布经过模型测试以后，达到一定的准确度，符合模型上线的要求，就可以发布模型。基于PaddleX的图像分类模型训练在模型发布页面，单击“发布”按钮即可基于PaddleX的图像分类模型训练模型导出之后会提示：模型导出成功！基于PaddleX的图像分类模型训练发布成功后的模型，用户可根据需要进行调用，根据存储路径（即工作空间）可找到模型，本例的模型存放在paddlex_workspace的P0003-T0003_export_model中。后面可以使用Python进行模型调用，调用P0003-T0003_export_model的paddlex_python_predict/predict.py，可进行钥匙和水杯的图像分类。基于PaddleX的图像分类模型训练建议自行拍摄图像、增加水杯钥匙分类数据集数量建议使用不同数据量训练模型，分析数据对训练结果的影响建议使用不同网络训练模型，分析算法对训练结果的影响建议使用不同的迭代轮次训练模型，分析迭代轮次对训练结果的影响建议记录不同设置对模型训练结果的影响，分析不同设置对训练精度acc的影响03交互式物体检测模型开发物体检测物体检测是应用最广泛的人工智能功能之一，也是计算机视觉中的经典问题之一，其目的是用标识框去标出图像中检测物体的位置，其核心任务包括两个要素。①分类问题：要解决的是这个图像中是否包含某类，若包含需要返回物体类别名称的标签，就回答了目标的“What”问题。②定位问题；要解决的是如果有待检测的物体，那么这个物体在图像中的什么位置，并使用最小外接矩形包围起来，该矩形框称为检测框，检测框的位置回答了目标的“Where”问题。基于PaddleX的物体检测模型训练（1）创建项目进入PaddleX主界面后，在“项目管理”中“我的项目”页面，单击“新建项目”按钮，在新弹出页面中输入项目名称：水杯钥匙检测，并对项目做简单描述，最后选择“物体检测”选项，单击“创建”按钮，即可完成项目创建。基于PaddleX的物体检测模型训练（2）新建数据集在完成项目创建后，需要创建用于模型训练的数据集。在最左侧的导航栏中单击“数据”选项，然后单击“新建数据集”按钮，在新弹出的页面中填写数据集名称：水杯钥匙检测，选择“物体检测”选项，单击“创建”按钮。基于PaddleX的物体检测模型训练（3）数据选择选择准备好的存放数据的文件夹，文件夹中包含两个子文件夹：JPEGImages和Annotations。然后单击“选择文件夹”按钮，上传数据文件。此处需要注意的是，要将图像和标注文件分别放在两个文件夹中，并需要重命名文件夹为“JPEGImages”和“Annotations”。基于PaddleX的物体检测模型训练（4）导入并切分数据集接着返回“项目”页面，选择之前创建好的项目“水杯钥匙检测”。在“数据选择”页面中单击“选择数据集”下拉按钮，选择“水杯钥匙检测”数据集，然后导入数据。基于PaddleX的物体检测模型训练导入成功后，接着单击“立即切分”按钮，使用默认切分比例进行切分。基于PaddleX的物体检测模型训练从界面中可以看到，数据集已经按7:2:1切分为训练集、验证集和测试集。基于PaddleX的物体检测模型训练（5）参数配置在“模型选择”选项中下拉选择“FasterRCNN”模型，为了提高训练速度、减少训练时间，将“图像输入尺寸”长宽均设置为128，并将“迭代轮数”调整为“5”、“批大小”参数设置为“1”，其余参数保持不变，然后单击“启动训练”按钮。基于PaddleX的物体检测模型训练（6）训练可视化启动模型训练后，首先会联网下载“FasterRCNN”模型的权重文件，下载之后会自动进入模型训练环节，界面上会显示“已运行时间”“剩余运行时间”等数据，并且给出训练集和验证集的相关指标。基于PaddleX的物体检测模型训练模型训练完成，模型完成了5轮迭代，共运行25分30秒，并给出了训练集上的总损失loss和验证集上的bboxmAP。这个效果较为理想，单击“模型评估”按钮进入下一步。基于PaddleX的物体检测模型训练（7）模型评估模型评估给出各轮保存的bbox_map变化曲线与客观评价结果，此次训练相关曲线和指标。基于PaddleX的物体检测模型训练模型对应的混淆矩阵，从中可以看出，矩阵对角线上的数值较大，但有4个cup被误认为key，部分背景被识别为key。基于PaddleX的物体检测模型训练两个类型对应的精准率（查准率）、召回率（查全率）和平均精准率，除了key类别的精准率之外，其余指标都在0.95以上。单击“启动测试”按钮，进入下一个环节。基于PaddleX的物体检测模型训练（8）模型测试系统默认的是对测试集图片进行测试，也支持单张图像测试和批量图片测试。测试完成后，单击“预览测试图片”按钮，即可进入测试结果存放的文件。基于PaddleX的物体检测模型训练背景中的无关目标被误识别为key。基于PaddleX的物体检测模型训练虽然key被正确识别，但是有将钥匙的金属部分识别为key、黑色塑料部分识别为cup，出现了识别错误。基于PaddleX的物体检测模型训练若希望在现有基础上继续增加数据或者增加迭代次数，可以选择“是否保存为预训练模型”复选框，单击“保存”按钮即可。也可以单击“导出报告”按钮，导出的Excel文件中包含了混淆矩阵和整体检测评估结果。单击“下一步”按钮，可进入模型发布环节。基于PaddleX的物体检测模型训练（9）模型发布单击“发布”按钮即可将模型发布，模型会导出到本机的工作空间中。04本章小结本章小结本章主要介绍了人工智能模型的四种开发方式，这四种方式的难度是递增的。考虑到算力费用问题，这里主要使用单机版的PaddleX平台进行模型训练，用户无须缴费即可体验并完成模型训练的整个流程。此处选择失物招领这一贴近生活的应用场景，使用水杯和钥匙这两种常见物品作为数据，演示了图像分类和物体检测模型开发的全流程，使读者可以实现体验人工智能模型训练过程，并在此过程中感受到数据、算法、算力这三要素对于人工智能的影响。05习题习题为了让读者体验不同的开发方式，本章习题中给出了使用华为云的资源进行图生图模型训练的习题，供学