Classification des images

Packages prêts à l'emploi (Out of the Box Packages) > Analyse du langage UiPath (UiPath Language Analysis) > LightTextClassification

Remarque :

Le modèle Classification des images est actuellement en aperçu public.

UiPath® s’engage à assurer la stabilité et la qualité de nos produits, mais les fonctionnalités d’aperçu sont toujours sujettes à modification en fonction des commentaires que nous recevons de nos clients. L'utilisation des fonctionnalités d'aperçu n'est pas recommandée pour les déploiements de production.

Ce modèle fonctionne sans problème sur le processeur, mais vous pouvez rencontrer des problèmes lors de l'exécution sur GPU lors de l'aperçu.

Ce modèle d'aperçu est un modèle d'apprentissage en profondeur réentrainable utilisé pour classer les images. Vous pouvez l'entraîner sur vos propres données et créer une compétence ML pour effectuer la classification des images. Ce paquet ML doit être réentraîné. S'il est déployé sans entraînement au préalable, le déploiement échouera avec une erreur indiquant que le modèle n'a pas été entraîné.

Détails du modèle

Type d'entrée

File

Description de l'entrée

Chemin complet du fichier image sur lequel vous souhaitez effectuer le classement.

Assurez-vous que le format de l'image est bien JPEG ou PNG.

Description de la sortie

JSON avec libellé identifié pour l'image et score de confiance (entre 0 et 1).

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

Recommander un GPU

Par défaut, un GPU est recommandé.

Formation possible

Par défaut, l'apprentissage est activé.

Pipelines

Les trois types de pipelines (complet, formation et évaluation) sont pris en charge par ce package. Pour la plupart des cas d'utilisation, aucun paramètre n'a besoin d'être spécifié ; le modèle utilise des techniques avancées pour trouver un modèle performant. Pour les entraînements subséquents au premier entraînement, le modèle utilise un apprentissage incrémentiel (c'est-à-dire que la version précédemment entraînée sera utilisée à la fin de l'exécution d'un entraînement).

Format d'ensemble de données

Pour les ensembles de données d'entraînement et d'évaluation, pointez vers un dossier avec un sous-dossier appelé images et ce sous-dossier peut contenir plusieurs dossiers d'entrée avec des classes différentes (par exemple, un dossier appelé cats avec des images de chats et un autre appelé dogs avec des photos de chiens, etc.).

Exemple :

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

Variables de l'environnement

• Epochs- valeur par défaut 20

Artefacts

Rapport de classification

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

Matrice de confusion

Prédictions.csv

Il s'agit d'un fichier csv avec des prédictions sur l'ensemble de tests utilisé pour l'évaluation.

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