- Notas relacionadas
- Primeros pasos
- Notificaciones
- Proyectos
- Conjuntos de datos
- Etiquetado de datos
- Paquetes ML
- Paquetes listos para usar
- Procesos
- Habilidades ML
- Logs de ML
- Document UnderstandingTM en AI Center
- API de AI Center
- Licencia
- Plantillas de soluciones de AI
- Tutorial
- Guía básica de resolución de problemas
Clasificación de imágenes
Paquetes listos para usar > Análisis de imagen de UiPath > Clasificación de imágenes
El modelo Clasificación de imágenes está actualmente en vista previa pública.
UiPath® está comprometido con la estabilidad y la calidad de nuestros productos, pero las características de vista previa siempre están sujetas a cambios en función de los comentarios que recibimos de nuestros clientes. No se recomienda el uso de características de vista previa para implementaciones de producción.
Este modelo funciona sin problemas en la CPU, pero puedes tener problemas al ejecutarlo en la GPU durante la vista previa.
Este modelo de vista previa es un modelo de aprendizaje profundo que se puede volver a entrenar y se utiliza para clasificar imágenes. Puedes entrenarlo con tus propios datos y crear una habilidad ML para realizar la clasificación de imágenes. Este paquete ML debe volver a entrenarse. Si se implementa sin entrenarse antes, la implementación fallará con un error que indica que el modelo no está entrenado.
Ruta completa del archivo de imagen en el que se quiere clasificar.
Asegúrate de que el formato de imagen es JPEG o PNG.
JSON con la etiqueta identificada para la imagen y la puntuación de confianza (entre 0 y 1).
{
"response": {
"label": "car",
"confidence": 0.85657345056533813
}
}
{
"response": {
"label": "car",
"confidence": 0.85657345056533813
}
}
Este paquete es compatible con los tres tipos de procesos (entrenamiento completo, entrenamiento y evaluación). Para la mayoría de casos de uso, no se necesitan especificaciones de parámetros; el modelo utiliza técnicas avanzadas para encontrar un modelo eficiente. En entrenamientos posteriores al primero, el modelo utiliza el aprendizaje incremental (es decir, se utilizará la versión previamente entrenada, al final de una ejecución de entrenamiento).
images
la cual puede contener varias carpetas con diferentes clases (por ejemplo, una carpeta llamada cats
con fotos de gatos y otra llamada dogs
con fotos de perros, y así sucesivamente).
Ejemplo:
-- <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
Informe de clasificación
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 20
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 20
Matriz de confusión
Predictions.csv
Este es un archivo CSV con predicciones en el conjunto de pruebas utilizado para la evaluación.
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 Negative
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 Negative