Bahagi 2. Model ng ThinkBioT Sa Google AutoML: 8 Mga Hakbang

2024 May -akda: John Day | [email protected]. Huling binago: 2024-01-30 13:12

Ang ThinkBioT ay idinisenyo upang maging "Plug and Play", kasama ang Edge TPU na katugmang Mga Modelong TensorFlow Lite.

Sa dokumentasyong ito sasaklawin namin ang paglikha ng mga spectrogram, pag-format ng iyong data, at paggamit ng Google AutoML.

Ang code sa tutorial na ito ay isusulat sa bash sa gayon ay magkatugma sa multi-platform.

Mga dependency

• Gayunpaman bago ang pagsisimula kakailanganin mong i-install ang Sox isang command line audio program na katugma sa mga aparatong Windows, Mac at Linux.
• Kung ikaw ay nasa isang aparatong Windows ang pinakamadaling paraan upang magpatakbo ng bash script ay sa pamamagitan ng Git kaya inirerekumenda ko at i-download at i-install iyon bilang kapaki-pakinabang sa maraming paraan,
• Para sa pag-edit ng code alinman gamitin ang iyong paboritong editor o i-install ang NotePad ++ para sa windows o Atom para sa iba pang mga operating system.

** Kung mayroon kang isang mayroon nang modelo ng TensorFlow o nais na subukan ang paglipat ng pag-aaral gamit ang isang mayroon nang modelo, mangyaring sumangguni sa Google Coral Documentation.

Hakbang 1: Mag-set up ng isang Google Cloud Storage Bucket

1. Mag-login sa iyong gmail account (o lumikha ng isa kung wala kang isang Google account)

2. Pumunta sa pahina ng tagapili ng proyekto at gumawa ng isang bagong proyekto para sa iyo ng mga file ng modelo at spectrogram. Kakailanganin mong paganahin ang pagsingil sa karagdagang pagsulong.

3. Bisitahin ang https://cloud.google.com/storage/ at pindutin ang button na lumikha ng bucket sa tuktok ng pahina.

4. Ipasok ang iyong ninanais na pangalan ng bucket at lumikha ng bucket na tumatanggap ng mga default na setting.

Hakbang 2: I-format ang Iyong Data at Lumikha ng Dataset Csv

Dinisenyo ko ang isang kapaki-pakinabang na script upang likhain ang iyong file ng dataset.csv na kinakailangan upang likhain ang iyong modelo. Ang file ng dataset ay nagli-link ng mga imahe sa iyong balde sa kanilang mga label sa dataset..

1. I-download ang ThinkBioT repository mula sa GitHub at

2. Kopyahin ang tbt_spect_example.sh file mula sa direktoryo ng Mga Tool sa isang bagong folder sa iyong desktop.

3. Idagdag ang mga audio file na nais mong gamitin sa iyong modelo, inilalagay ang mga ito sa mga folder na mayroong kanilang tatak (ibig sabihin, kung ano ang nais mong pag-uri-uriin. Halimbawa, kung nais mong makilala ang mga aso o pusa, maaari kang magkaroon ng isang folder aso, may tunog ng barko O folder na pinangalanang pusa na may tunog ng pusa atbp.

4. Buksan ang tbt_spect_example.sh gamit ang Notepad ++ at palitan ang "yourbucknamename" sa linya 54 ng pangalan ng iyong Google Storage Bucket. Halimbawa, kung ang iyong timba ay tinawag na myModelBucket mababago ang linya

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

5. Patakbuhin ang code sa pamamagitan ng pagta-type ng sumusunod sa iyong Bash terminal, tatakbo ang code at lilikha ng iyong mga label na csv file at isang direktoryo na tinatawag na spectro-data sa iyong desk sa itaas na may mga resulta na spectrogram.

sh tbt_spect_example.sh

Hakbang 3: I-upload ang Iyong Mga Spectrogram sa Iyong bucket

Mayroong ilang mga paraan upang mag-upload sa Google Storage, ang pinakamadaling gawin ang isang direktang pag-load ng folder;

1. Mag-click sa iyong pangalan ng bucket sa iyong pahina ng Google Storage.

2. Piliin ang pindutang "UPLOAD FOLDER" at piliin ang iyong direktoryo na "spectro-data /" na nilikha sa huling hakbang.

O kaya

2. Kung mayroon kang isang malaking halaga ng mga file na manu-mano mong nilikha ang direktoryo na "spectro-data /" sa pamamagitan ng pagpili ng "CREATE FOLDER", pagkatapos ay mag-navigate sa folder at piliin ang "UPLOAD FILES". Maaari itong maging isang mahusay na pagpipilian para sa malalaking mga hanay ng data dahil maaari mong mai-upload ang mga spectrogram sa mga seksyon, kahit na gumagamit ng maraming mga computer upang madagdagan ang bilis ng pag-upload.

O kaya

2. Kung ikaw ay isang advanced na gumagamit maaari ka ring mag-upload sa pamamagitan ng Google Cloud Shell;

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

Dapat ay mayroon ka ng isang balde na puno ng medyo kaaya-aya na mga spectrogram!

Hakbang 4: I-upload ang Iyong Dataset Csv

Ngayon kailangan naming i-upload ang file na model-labels.csv sa iyong direktoryo na "spectro-data /" sa Google Storage, mahalagang katulad ito sa huling hakbang, nag-a-upload ka lamang ng isang solong file sa halip na marami.

1. Mag-click sa iyong pangalan ng bucket sa iyong pahina ng Google Storage.

2. Piliin ang pindutan ng UPLOAD FILE at piliin ang iyong modelo ng mga label-label.csv file na nilikha mo nang mas maaga.

Hakbang 5: Lumikha ng Dataset

1. Una kailangan mong hanapin ang AutoML VIsion API, maaari itong maging isang maliit na nakakalito! Ang pinakamadaling paraan ay upang maghanap ng "awtomatikong paningin" sa search bar ng iyong imbakan sa Google Cloud (nakalarawan).

2. Kapag nag-click ka sa link ng API kakailanganin mong paganahin ang API.

3. Ngayon ay mapupunta ka sa AutoML Vision Dashboard (nakalarawan) i-click ang bagong pindutan ng dataset at piliin ang Single label at ang pagpipiliang 'Pumili ng isang CSV file'. Isasama mo rin ang link sa iyong modelo ng-mga label.csv file sa iyong bucket ng imbakan. Kung sinundan mo ang tutorial na ito ito ay magiging sa bawat sa ibaba

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

4. Pagkatapos ay pindutin ang magpatuloy upang likhain ang iyong dataset. Maaaring tumagal ng ilang oras upang lumikha.

Hakbang 6: Lumikha ng Iyong Modelo ng AutoML

Kapag natanggap mo ang iyong email na nagpapaalam sa iyo na nalikha ang iyong dataset handa ka nang lumikha ng iyong bagong modelo.

1. Pindutin ang pindutan ng TRAIN
2. Piliin ang uri ng modelo: Mga pagtatantya ng latency ng Edge at Model: Edge TPU at iwanan ang iba pang mga pagpipilian bilang default sa simula, matigas na maaaring gusto mong mag-eksperimento pagkatapos.
3. Ngayon ang iyong modelo ay sanayin, magtatagal at makakatanggap ka ng isang email kapag handa na itong mag-download.

Tandaan: Kung ang tren ng sanayin mo ay hindi magagamit maaari kang magkaroon ng mga isyu sa iyong dataset. Kung mayroon kang mas mababa sa 10 sa bawat klase (label) hindi ka hahayaan ng system na Sanayin ang isang Modelo kaya maaaring magdagdag ka ng mga karagdagang imahe. Ito ay nagkakahalaga ng isang pagtingin sa Google AutoML Video kung kailangan mo ng paglilinaw.

Hakbang 7: Subukan ang Iyong Modelo

Kapag natanggap mo ang iyong email sa pagkumpleto ng modelo i-click ang link upang bumalik sa AutoML Vision API.

1. Ngayon ay maaari mong tingnan ang iyong mga resulta at ang pagkalito matrix para sa iyong modelo.

2. Ang susunod na hakbang ay upang subukan ang iyong Modelo, pumunta sa 'TEST & USE' o 'PREDICT' na kakaiba tila may 2 gumagamit ng GUI, na parehong nakalarawan ko, ngunit ang mga pagpipilian ay pareho ang pag-andar.

3. Ngayon ay maaari kang mag-upload ng isang pagsubok na spectrogram. Upang makagawa ng isang solong spectrogram maaari mong gamitin ang program na tbt_make_one_spect.sh mula sa ThinkBioT Github. I-drop lamang ito sa isang folder gamit ang wav na nais mong i-convert sa isang spectrogram buksan ang isang Git Bash window (o terminal) at gamitin ang code sa ibaba, palitan ang iyong filename.

sh tbt_make_one_spect.sh yourWavName.wav

4. Ngayon i-upload lamang ang spectrogram at suriin ang iyong resulta!

Hakbang 8: I-install ang Iyong Modelo Sa ThinkBioT

Upang magamit ang iyong bagong makintab na modelo i-drop lamang ang modelo at ang txt file sa folder ng CModel;

pi> ThinkBioT> ClassProcess> CModel

Handa ka na ngayong gamitin ang ThinkBioT:)

** NB ** Kung gumagamit ka ng iyong modelo sa labas ng balangkas ng ThinkBioT kakailanganin mong i-edit ang iyong dokumento ng label bilang magdagdag ng mga umber sa simula ng bawat linya habang ipinapalagay ng pinakabagong tflite na mga interpreter na built-in na "readlabels" na andyan sila. Sumulat ako ng isang pasadyang pagpapaandar sa framework ng ThinkBioT classify_spect.py bilang isang gawain kung saan malugod kang magagamit sa iyong sariling code:)

def ReadLabelFile (file_path):

counter = 0 na may bukas (file_path, 'r', encoding = 'utf-8') bilang f: lines = f.readlines () ret = {} para sa linya sa mga linya: ret [int (counter)] = line.strip () counter = counter + 1 return ret