ai-center
2022.10
false
AI Center – Benutzerhandbuch
Automation CloudAutomation SuiteStandalone
Last updated 14. Aug. 2024

Bildklassifizierung

Sofort einsetzbare Pakete > UiPath Bildanalyse > Bildklassifizierung

Dieses Vorschaumodell ist ein erneut trainierbares Deep-Learning-Modell, das zum Klassifizieren von Bildern verwendet wird. Sie können es mit Ihren eigenen Daten trainieren und eine ML-Fähigkeit erstellen, um die Bildklassifizierung durchzuführen. Dieses ML-Paket muss erneut trainiert werden. Wenn es zuerst ohne Training bereitgestellt wird, schlägt die Bereitstellung mit einem Fehler fehl, der angibt, dass das Modell nicht trainiert wurde.

Dieses Modell ist nicht für Offlineinstallationen verfügbar.

Modelldetails

Eingabetyp

File

Eingabebeschreibung

Vollständiger Pfad der Bilddatei, die Sie klassifizieren möchten.

Stellen Sie sicher, dass das Bildformat entweder JPEG oder PNG ist.

Ausgabebeschreibung

JSON mit identifizierter Bezeichnung für das Bild und Konfidenzbewertung (zwischen 0-1).

{
  "response": {
    "label": "car",
    "confidence": 0.85657345056533813
  }
}{
  "response": {
    "label": "car",
    "confidence": 0.85657345056533813
  }
}

GPU empfohlen

Standardmäßig wird eine GPU empfohlen.

Training aktiviert

Standardmäßig ist Training aktiviert.

Pipelines

Alle drei Pipelinetypen (Vollständiges Training, Training und Auswertung) werden von diesem Paket unterstützt. Für die meisten Anwendungsfälle müssen keine Parameter angegeben werden, das Modell verwendet erweiterte Techniken, um ein leistungsstarkes Modell zu finden. In nachfolgenden Trainings nach dem ersten verwendet das Modell inkrementelles Lernen (das heißt, am Ende eines Trainingslaufs wird die zuvor trainierte Version verwendet).

Dataset-Format

Zeigen Sie für Trainings- und Bewertungs-Datasets auf einen Ordner mit einem Unterordner namens images . Dieser Unterordner kann mehrere Eingabeordner mit verschiedenen Klassen enthalten (z. B. einen Ordner namens cats mit Bildern von Katzen und ein anderer namens dogs mit Bildern von Hunden usw.).

Beispiel:

-- <Training / Evaluation Directory>
   -- images
      -- Bus
         -- bus001.jpg
         -- bus002.jpg
         -- bus003.jpg
      -- Truck
         -- truck001.jpg
         -- truck012.png
         -- truck0030.jpeg
      -- Car-- <Training / Evaluation Directory>
   -- images
      -- Bus
         -- bus001.jpg
         -- bus002.jpg
         -- bus003.jpg
      -- Truck
         -- truck001.jpg
         -- truck012.png
         -- truck0030.jpeg
      -- Car

Umgebungsvariablen

  • Epochen – Standardwert 20

Artefakte

Klassifizierungsbericht

precision    recall  f1-score   support
    Positive       0.75      0.90      0.82        10
    Negative       0.88      0.70      0.78        10
    accuracy                           0.80        20
   macro avg       0.81      0.80      0.80        20
weighted avg       0.81      0.80      0.80        20precision    recall  f1-score   support
    Positive       0.75      0.90      0.82        10
    Negative       0.88      0.70      0.78        10
    accuracy                           0.80        20
   macro avg       0.81      0.80      0.80        20
weighted avg       0.81      0.80      0.80        20

Konfusionsmatrix



Vorhersagen.csv

Dies ist eine CSV-Datei mit Vorhersagen für den Testsatz, der für die Auswertung verwendet wird.

filename      actual        predicted
38    00043.jpg    Positive    Positive
17    00001.jpg    Positive    Positive
59    00014.jpg    Negative    Positive
31    00015.jpg    Positive    Positive
15    00008.jpg    Positive    Positive
69    00025.jpg    Negative    Negative
49    00003.jpg    Positive    Positive
5      00034.jpg    Positive    Positive
36    00044.jpg    Positive    Positive
50    00042.jpg    Negative    Positive
96    00011.jpg    Negative    Negative
53    00046.jpg    Negative    Positive
94    00036.jpg    Negative    Negativefilename      actual        predicted
38    00043.jpg    Positive    Positive
17    00001.jpg    Positive    Positive
59    00014.jpg    Negative    Positive
31    00015.jpg    Positive    Positive
15    00008.jpg    Positive    Positive
69    00025.jpg    Negative    Negative
49    00003.jpg    Positive    Positive
5      00034.jpg    Positive    Positive
36    00044.jpg    Positive    Positive
50    00042.jpg    Negative    Positive
96    00011.jpg    Negative    Negative
53    00046.jpg    Negative    Positive
94    00036.jpg    Negative    Negative

War diese Seite hilfreich?

Hilfe erhalten
RPA lernen – Automatisierungskurse
UiPath Community-Forum
Uipath Logo White
Vertrauen und Sicherheit
© 2005–2024 UiPath. Alle Rechte vorbehalten