- Notas de Versão
- Introdução
- Notificações
- Projetos
- Conjuntos de dados
- Rotulagem de Dados
- Pacotes de ML
- Pacotes para uso imediato
- Pipelines
- Habilidades de ML
- Logs de ML
- Document UnderstandingTM no AI Center
- API do AI Center
- Licenciamento
- Modelos de soluções de IA
- Como fazer
- Guia básico de solução de problemas
Classificação de imagens
Pacotes prontos para uso > Análise de imagem da UiPath > Classificação de imagens
O modelo Classificação de imagem está atualmente em visualização pública.
A UiPath® assume um compromisso quanto à estabilidade e à qualidade de nossos produtos. Porém, as funcionalidades de visualização sempre estão sujeitas à alteração, com base no feedback que recebemos de nossos clientes. O uso das funcionalidades de visualização não é recomendado para implantações de produção.
Este modelo pode ser executado sem problemas na CPU, mas você pode encontrar problemas ao executá-lo na GPU durante a visualização.
Esse modelo de visualização é um modelo de aprendizado profundo retreinável usado para classificar imagens. Você pode treiná-lo com seus próprios dados e criar uma Habilidade de ML para executar a classificação de imagem. Esse pacote de ML deve ser retreinado; se for implantado sem treinamento primeiro, a implantação falhará, com um erro informando que o modelo não foi treinado.
O caminho completo do arquivo de imagem no qual você deseja classificar.
Certifique-se de que o formato de imagem seja JPEG ou PNG.
JSON com rótulo identificado para a imagem e pontuação de confiança (entre 0 e 1).
{
"response": {
"label": "car",
"confidence": 0.85657345056533813
}
}
{
"response": {
"label": "car",
"confidence": 0.85657345056533813
}
}
Todos os três tipos de pipelines (Treinamento completo, Treinamento e Avaliação) são suportados por esse pacote. Para a maioria dos casos de uso, não é necessário especificar parâmetros: o modelo usa técnicas avançadas para encontrar um modelo de bom desempenho. Nos treinamentos subsequentes após o primeiro, o modelo usa aprendizado incremental (ou seja, a versão treinada anteriormente será usada no final de uma execução de treinamento).
images
; essa subpasta pode conter entradas de diversas pastas com diferentes classes (por exemplo, uma pasta chamada cats
com imagens de gatos e outra chamada dogs
com fotos de cães, e assim por diante).
Exemplo:
-- <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
Relatório da classificação
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 confusão
Predictions.csv
Esse é um arquivo CSV com previsões sobre o conjunto de testes usado para avaliação.
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