Dio 2. ThinkBioT model sa Google AutoML -om: 8 koraka

2024 Autor: John Day | [email protected]. Zadnja izmjena: 2024-01-30 08:06

ThinkBioT je dizajniran da bude "Plug and Play", sa Edge TPU kompatibilnim modelima TensorFlow Lite.

U ovoj dokumentaciji pokriti ćemo stvaranje spektrograma, oblikovanje vaših podataka i korištenje Google AutoML -a.

Kôd u ovom vodiču bit će napisan bash pa će biti kompatibilan s više platformi.

Zavisnosti

• Međutim, prije početka morate instalirati Sox audio program za naredbeni redak kompatibilan sa Windows, Mac i Linux uređajima.
• Ako ste na Windows uređaju, najlakši način za pokretanje bash skripti je putem Gita, pa bih preporučio i preuzimanje i instaliranje koje je korisno na mnogo načina,
• Za uređivanje koda upotrijebite svoj omiljeni uređivač ili instalirajte NotePad ++ za Windows ili Atom za druge operativne sisteme.

** Ako imate postojeći model TensorFlow ili želite isprobati prijenosno učenje sa postojećim modelom, pogledajte Google Coral Documentation.

Korak 1: Postavite Google Cloud Storage Bucket

1. Prijavite se na svoj gmail račun (ili ga stvorite ako nemate Google račun)

2. Idite na stranicu za odabir projekta i napravite novi projekt za vas sa modelima i datotekama spektrograma. Morat ćete omogućiti naplatu za daljnji napredak.

3. Posjetite https://cloud.google.com/storage/ i pritisnite gumb za stvaranje korpe pri vrhu stranice.

4. Unesite željeni naziv kante i kreirajte kantu prihvaćajući zadane postavke.

Korak 2: Formatirajte svoje podatke i kreirajte CSV skupa podataka

Dizajnirao sam korisnu skriptu za kreiranje vaše datoteke database.csv potrebne za kreiranje vašeg modela. Datoteka skupa podataka povezuje slike u vašem spremniku s njihovim oznakama u skupu podataka.

1. Preuzmite ThinkBioT spremište sa GitHub -a i

2. Kopirajte datoteku tbt_spect_example.sh iz direktorija Tools u novu mapu na radnoj površini.

3. Dodajte audio datoteke koje želite koristiti u svom modelu, stavljajući ih u mape sa oznakom (tj. U šta biste htjeli da se razvrstaju. Na primjer, ako želite identificirati pse ili mačke, mogli biste imati fasciklu pas, sa zvukovima laveža ILI folder pod nazivom mačka sa zvucima mačke itd.

4. Otvorite tbt_spect_example.sh sa Notepad ++ i zamijenite "yourbucknamename" u retku 54 imenom vašeg Google Storage Bucket -a. Na primjer, ako se vaša korpa zove myModelBucket, linija bi se promijenila u

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

5. Pokrenite kôd upisivanjem sljedećeg u vaš Bash terminal, kôd će se pokrenuti i stvoriti vašu csv datoteku s oznakama i direktorij zvan spektro-podaci na vašoj radnoj površini s rezultirajućim spektrogramima.

sh tbt_spect_example.sh

Korak 3: Postavite svoje spektrograme u svoju korpu

Postoji nekoliko načina za učitavanje u Google Storage, najjednostavnije je izravno učitavanje mape;

1. Kliknite na naziv korpe na stranici Google pohrana.

2. Odaberite gumb "UPLOAD FOLDER" i odaberite svoj "spectro-data/" direktorij kreiran u posljednjem koraku.

ILI

2. Ako imate veliku količinu datoteka, možete ručno stvoriti direktorij "spectro-data/" odabirom "CREATE FOLDER", zatim idite u mapu i odaberite "UPLOAD FILES". Ovo može biti odlična opcija za velike skupove podataka jer možete postaviti spektrograme u odjeljke, čak i pomoću više računara za povećanje brzine prijenosa.

ILI

2. Ako ste napredni korisnik, možete postaviti i putem Google Cloud Shell -a;

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

Sada biste trebali imati kantu punu prilično lijepih spektrograma!

Korak 4: Otpremite skup podataka Csv

Sada moramo prenijeti datoteku model-labels.csv u vaš direktorij "spectro-data/" u Google Storageu, to je u biti isto kao i zadnji korak, samo učitavate jednu datoteku umjesto mnogih.

1. Kliknite na naziv korpe na stranici Google pohrana.

2. Odaberite dugme "UPLOAD FILE" i odaberite datoteku model-labels.csv koju ste ranije stvorili.

Korak 5: Kreirajte skup podataka

1. Prvo ćete morati pronaći AutoML VIsion API, to može biti malo zeznuto! Najjednostavniji način je pretraživanje "automl vision" u traci za pretraživanje vaše Google Cloud pohrane (na slici).

2. Nakon što kliknete na vezu API, morat ćete omogućiti API.

3. Sada ćete biti na AutoML Vision Dashboard (na slici) kliknite o dugme novog skupa podataka i odaberite Pojedinačna oznaka i opciju 'Odaberi CSV datoteku'. Zatim ćete u svoju kantu za pohranu uključiti vezu do datoteke model-labels.csv. Ako ste slijedili ovaj vodič, bit će kao u nastavku

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

4. Zatim pritisnite nastavi za kreiranje vašeg skupa podataka. Stvaranje može potrajati neko vrijeme.

Korak 6: Kreirajte svoj AutoML model

Nakon što primite e -poruku koja vas obavještava da je vaš skup podataka kreiran, spremni ste za kreiranje novog modela.

1. Pritisnite dugme TRAIN
2. Odaberite vrstu modela: Procjene kašnjenja ruba i modela: Edge TPU i ostale opcije ostavite kao početne kao zadane, teško ćete možda eksperimentirati, a zatim kasnije.
3. Sada će vaš model trenirati, proći će neko vrijeme i primit ćete e -poruku kada bude spreman za preuzimanje.

Napomena: Ako dugme za treniranje nije dostupno, možda imate problema sa skupom podataka. Ako imate manje od 10 svake klase (oznake), sistem vam neće dopustiti da istrenirate model pa ćete možda morati dodati dodatne slike. Vrijedno je pogledati Google AutoML Video ako vam je potrebno pojašnjenje.

Korak 7: Testirajte svoj model

Nakon što primite e -poruku o dovršetku modela, kliknite vezu za povratak na AutoML Vision API.

1. Sada ćete moći vidjeti svoje rezultate i matricu zabune za svoj model.

2. Sljedeći korak je testiranje vašeg modela, idite na 'TEST & USE' ili 'PREDICNO'. Čudno je da postoje 2 korisnička grafička sučelja, oba sam slikao, ali opcije imaju istu funkcionalnost.

3. Sada možete postaviti testni spektrogram. Za izradu jedinstvenog spektrograma možete koristiti program tbt_make_one_spect.sh iz ThinkBioT Github -a. Jednostavno ga ispustite u mapu s wav -om koju želite pretvoriti u spektrogram otvorite Git Bash prozor (ili terminal) i upotrijebite donji kod zamjenjujući svoje ime datoteke.

sh tbt_make_one_spect.sh yourWavName.wav

4. Sada jednostavno prenesite spektrogram i provjerite rezultat!

Korak 8: Instalirajte svoj model u ThinkBioT

Da biste koristili svoj novi sjajni model, jednostavno ispustite model i txt datoteku u mapu CModel;

pi> ThinkBioT> ClassProcess> CModel

Sada ste spremni za korištenje ThinkBioT -a:)

** Napomena: Ako koristite svoj model izvan ThinkBioT okvira, morat ćete urediti dokument s oznakom kao dodatak brojeva na početak svakog retka jer najnovija ugrađena funkcija "readlabels" za tumačenje pretvarača pretpostavlja da postoje. Napisao sam prilagođenu funkciju u okviru ThinkBioT framework klasify_spect.py kao rad oko kojeg ste dobrodošli da ga koristite u svom kodu:)

def ReadLabelFile (file_path):

brojač = 0 s otvorenim (file_path, 'r', encoding = 'utf-8') kao f: lines = f.readlines () ret = {} za red u redovima: ret [int (counter)] = line.strip () brojač = brojač + 1 povrat ret