图像分类

“开箱即用包”>“UiPath 图像分析”>“图像分类”

此预览模型是可重新训练的深度学习模型，用于对图像进行分类。 您可以根据自己的数据对其进行训练，并创建 ML 技能来执行图像分类。 必须重新训练此 ML 包，如果未先训练就进行部署，则部署将失败，并显示错误，指出模型未训练。

此模型不适用于离线安装。

模型详细信息

输入类型

文件

输入说明

要对其进行分类的图像文件的完整路径。

确保图像格式为 JPEG 或 PNG。

输出说明

具有已识别图像标签和置信度分数（介于 0 到 1 之间）的 JSON。

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

推荐 GPU

默认情况下，建议使用 GPU。

已启用训练

默认情况下启用训练。

管道

此包支持所有三种类型的管道（完整训练、训练和评估）。对于大多数用例，不需要指定任何参数，模型将使用高级技术来查找高性能模型。在第一次训练之后的后续训练中，模型将使用增量学习（即，在训练运行结束后将使用先前训练的版本）。

数据集格式

对于训练和评估数据集，请指向具有名为images的子文件夹的文件夹，此子文件夹可以包含具有不同类的多个输入文件夹（例如，一个名为cats的文件夹包含猫的图片，另一个文件夹名为dogs以及狗的照片等）。

示例：

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

环境变量

• Epochs - 默认值为 20

工件

分类报告

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

混淆矩阵

预测.csv

这是一个 CSV 文件，其中包含用于评估的测试集的预测。

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