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

2024 Autor: John Day | [email protected]. Zadnja promjena: 2024-01-30 09:35

ThinkBioT je dizajniran da bude "Plug and Play" s 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.

Ovisnosti

• No prije početka morate instalirati Sox audio program za naredbeni redak kompatibilan s Windows, Mac i Linux uređajima.
• Ako ste na Windows uređaju, najlakši način za pokretanje bash skripti je putem Gita, pa bih preporučio te 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 operacijske sustave.

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

1. korak: 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 datoteke modela i 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 stvorite kantu prihvaćajući zadane postavke.

2. korak: Formatirajte svoje podatke i stvorite CSV skupa podataka

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

1. Preuzmite ThinkBioT spremište s 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 s oznakom (tj. U što biste htjeli da se razvrstaju. Na primjer, ako želite identificirati pse ili mačke, mogli biste imati mapu pas, sa zvukovima laveža ILI mapa pod nazivom mačka sa zvukovima mačke itd.

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

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

5. Pokrenite kôd upisivanjem sljedećeg na svom Bash terminalu, kôd će se pokrenuti i stvoriti csv datoteku s vašim oznakama i direktorij zvan spektro-podaci na vašem stolu s rezultirajućim spektrogramima.

sh tbt_spect_example.sh

Korak 3: Prenesite svoje spektrograme u svoju kantu

Postoji nekoliko načina za prijenos na Google Storage, najjednostavnije je izravno učitati mapu;

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 izvrsna opcija za velike skupove podataka jer možete prenijeti spektrograme u odjeljke, čak i pomoću više računala za povećanje brzine prijenosa.

ILI

2. Ako ste napredni korisnik, možete učitati 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: Prenesite svoj skup podataka Csv

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

1. Kliknite na naziv svoje korpe na stranici Google pohrana.

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

Korak 5: Stvorite skup podataka

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

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

3. Sada ćete biti na nadzornoj ploči AutoML Vision (na slici) kliknite o gumb 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 stvaranje vašeg skupa podataka. Stvaranje može potrajati neko vrijeme.

Korak 6: Izradite svoj AutoML model

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

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

Napomena: Ako gumb za vlak nije dostupan, možda ćete imati problema sa skupom podataka. Ako imate manje od 10 svake klase (oznake), sustav 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 zbrke za svoj model.

2. Sljedeći korak je testiranje vašeg modela, idite na 'TEST & USE' ili 'PREDICNO'. Čudno je da postoje dva korisnička sučelja korisnika, oba sam na slici, ali obje 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 wavom koju želite pretvoriti u spektrogram otvorite prozor Git Bash (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 svoj rezultat!

Korak 8: Instalirajte svoj model u ThinkBioT

Za korištenje vašeg novog sjajnog modela 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 dodavanje brojeva na početak svakog retka jer najnoviji tflite tumači ugrađene funkcije "readlabels" pretpostavljaju da postoje. Napisao sam prilagođenu funkciju u okviru ThinkBioT -a klasify_spect.py kao djelo oko kojeg ste dobrodošli u svom kodu:)

def ReadLabelFile (file_path):

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