Bahagian 2. Model ThinkBioT Dengan Google AutoML: 8 Langkah

2024 Pengarang: John Day | [email protected]. Diubah suai terakhir: 2024-01-30 11:09

ThinkBioT dirancang untuk menjadi "Plug and Play", dengan Model TensorFlow Lite yang serasi dengan Edge TPU.

Dalam dokumentasi ini kita akan membahas pembuatan spektrogram, memformat data anda, dan menggunakan Google AutoML.

Kod dalam tutorial ini akan ditulis dalam bentuk bash sehingga serasi dengan pelbagai platform.

Kebergantungan

• Namun sebelum memulakan, anda perlu memasang program audio baris perintah Sox yang serasi dengan peranti Windows, Mac dan Linux.
• Sekiranya anda menggunakan peranti Windows, cara termudah untuk menjalankan skrip bash adalah melalui Git jadi saya akan mengesyorkan dan memuat turun dan memasangnya sebagai berguna dalam banyak cara,
• Untuk mengedit kod, gunakan editor kegemaran anda atau pasang NotePad ++ untuk windows atau Atom untuk sistem operasi lain.

** Jika anda mempunyai model TensorFlow yang ada atau ingin mencuba transfer pembelajaran dengan model yang ada, rujuk Dokumentasi Karang Google.

Langkah 1: Sediakan Baldi Penyimpanan Awan Google

1. Log masuk ke akaun gmail anda (atau buatlah jika anda tidak mempunyai akaun Google)

2. Pergi ke halaman pemilih projek dan buat projek baru untuk model dan fail spektrogram anda. Anda perlu mengaktifkan penagihan untuk terus maju.

3. Lawati https://cloud.google.com/storage/ dan tekan butang buat baldi di bahagian atas halaman.

4. Masukkan nama baldi yang anda mahukan dan buat baldi yang menerima tetapan lalai.

Langkah 2: Format Data Anda dan Buat Dataset Csv

Saya telah merancang skrip yang berguna untuk membuat fail dataset.csv anda yang diperlukan untuk membuat model anda. Fail set data memautkan gambar dalam baldi anda ke labelnya dalam set data..

1. Muat turun repositori ThinkBioT dari GitHub dan

2. Salin fail tbt_spect_example.sh dari direktori Tools ke folder baru di desktop anda.

3. Tambahkan fail audio yang ingin anda gunakan dalam model anda, letakkan di folder yang mempunyai labelnya (contohnya, apa yang anda mahu diurutkan. Contohnya, jika anda ingin mengenal pasti anjing atau kucing, anda mungkin mempunyai folder anjing, dengan bunyi kulit kayu ATAU folder bernama kucing dengan bunyi kucing dll.

4. Buka tbt_spect_example.sh dengan Notepad ++ dan ganti "yourbucknamename" di baris 54 dengan nama Google Storage Bucket anda. Sebagai contoh, jika baldi anda dipanggil myModelBucket, garis akan ditukar menjadi

baldi = "gs: // myModelBucket / spektrum-data /"

5. Jalankan kod dengan mengetik yang berikut di terminal Bash anda, kod akan berjalan dan membuat fail csv label anda dan direktori yang disebut spektrum-data di atas meja anda dengan spektrogram yang dihasilkan.

sh tbt_spect_example.sh

Langkah 3: Muat naik Spektrogram ke Baldi Anda

Terdapat beberapa cara untuk memuat naik ke Penyimpanan Google, yang paling mudah adalah dengan memuatkan folder langsung;

1. Klik pada nama baldi anda di halaman Penyimpanan Google anda.

2. Pilih butang "UPLOAD FOLDER" dan pilih direktori "spektrum-data /" anda yang dibuat pada langkah terakhir.

ATAU

2. Jika anda mempunyai sejumlah besar fail, anda secara manual dapat membuat direktori "spektrum-data /" dengan memilih "CREATE FOLDER", kemudian arahkan ke folder dan pilih "UPLOAD FILES". Ini dapat menjadi pilihan yang bagus untuk set data yang besar kerana anda dapat memuat naik spektrogram dalam beberapa bahagian, bahkan menggunakan beberapa komputer untuk meningkatkan kecepatan muat naik.

ATAU

2. Sekiranya anda pengguna lanjutan, anda juga boleh memuat naik melalui Google Cloud Shell;

gsutil cp spektro-data / * gs: // nama-baldi-nama / spektrum-data /

Anda sekarang mesti mempunyai baldi yang penuh dengan spektrogram yang cukup cantik!

Langkah 4: Muat naik Set Data Anda

Sekarang kita perlu memuat naik fail model-labels.csv ke direktori "spektrum-data /" anda di Penyimpanan Google, pada dasarnya sama dengan langkah terakhir, anda hanya memuat naik satu fail dan bukannya banyak.

1. Klik pada nama baldi anda di halaman Penyimpanan Google anda.

2. Pilih butang UPLOAD FILE dan pilih fail model-labels.csv yang anda buat sebelumnya.

Langkah 5: Buat Dataset

1. Pertama sekali anda perlu mencari AutoML VIsion API, ini boleh menjadi sedikit rumit! Cara termudah adalah mencari "automl vision" di bar carian storan Google Cloud anda (gambar).

2. Setelah anda mengklik pautan API, anda perlu mengaktifkan API.

3. Sekarang anda akan berada di AutoML Vision Dashboard (gambar) klik pada butang set data baru dan pilih label tunggal dan pilihan 'Pilih fail CSV'. Anda kemudian akan memasukkan pautan ke fail model-labels.csv dalam baldi simpanan anda. Sekiranya anda mengikuti tutorial ini, seperti di bawah

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

4. Kemudian tekan teruskan untuk membuat set data anda. Mungkin memerlukan sedikit masa untuk membuat.

Langkah 6: Buat Model AutoML Anda

Setelah anda menerima e-mel yang memberitahu anda bahawa set data anda telah dibuat, anda sudah bersedia untuk membuat model baru anda.

1. Tekan butang LATIHAN
2. Pilih jenis model: Anggaran latensi Edge dan Model: Edge TPU dan tinggalkan pilihan lain sebagai lalai pada mulanya, sukar yang mungkin anda ingin bereksperimen kemudian.
3. Sekarang model anda akan dilatih, akan memakan masa dan anda akan menerima e-mel apabila sudah siap untuk dimuat turun.

Catatan: Sekiranya butang kereta api tidak tersedia, anda mungkin menghadapi masalah dengan set data anda. Sekiranya anda mempunyai kurang dari 10 kelas masing-masing (label) sistem tidak akan membiarkan anda Melatih Model sehingga anda mungkin perlu menambahkan gambar tambahan. Anda perlu melihat Video AutoML Google sekiranya anda memerlukan penjelasan.

Langkah 7: Uji Model Anda

Setelah anda menerima e-mel penyelesaian model anda, klik pada pautan untuk kembali ke AutoML Vision API.

1. Sekarang anda akan dapat melihat hasil dan matriks kekeliruan untuk model anda.

2. Langkah seterusnya adalah menguji Model anda, pergi ke 'TEST & USE' atau 'PREDICT' anehnya sepertinya ada 2 GUI pengguna, yang kedua-duanya telah saya gambar, tetapi kedua-duanya mempunyai fungsi yang sama.

3. Sekarang anda boleh memuat naik spektrogram ujian. Untuk membuat satu spektrogram anda boleh menggunakan program tbt_make_one_spect.sh dari ThinkBioT Github. Cukup letakkan di folder dengan wav yang ingin anda ubah menjadi spektrogram membuka tetingkap Git Bash (atau terminal) dan gunakan kod di bawah, menggantikan nama fail anda.

sh tbt_make_one_spect.sh yourWavName.wav

4. Sekarang hanya muat naik spektrogram dan periksa hasil anda!

Langkah 8: Pasang Model Anda Ke ThinkBioT

Untuk menggunakan model berkilat baru anda, lepaskan model dan fail txt ke folder CModel;

pi> ThinkBioT> ClassProcess> CModel

Kini anda sudah bersedia untuk menggunakan ThinkBioT:)

** NB ** Sekiranya anda menggunakan model anda di luar kerangka ThinkBioT, anda perlu mengedit dokumen label anda sebagai penambahan umber pada permulaan setiap baris kerana fungsi tafsir tflite terbaharu "readlabels" mengandaikan bahawa mereka ada di sana. Saya telah menulis fungsi tersuai dalam rangka kerja ThinkBioT classify_spect.py sebagai karya yang boleh anda gunakan dalam kod anda sendiri:)

def ReadLabelFile (file_path):

pembilang = 0 dengan terbuka (file_path, 'r', encoding = 'utf-8') sebagai f: lines = f.readlines () ret = {} untuk garis dalam baris: ret [int (counter)] = line.strip () kaunter = kaunter + 1 pulangan ret