Azure 맞춤형 시각 서비스로 꿀벌 건강 검사
벌통 내부에서 벌통의 강도와 건강의 많은 흔적을 볼 수 있지만 벌통에 대한 빈번한 검사는 시간이 많이 걸리고 꿀벌의 작업 절차와 벌통을 파괴할 수 있다.벌통을 떠난 꿀벌을 조사함으로써 우리는 벌통 자체를 더욱 전면적으로 이해할 수 있다.예를 들어 진드기에 감염된 불건전한 벌집에는 날개가 변형되거나 등에 진드기가 있는 벌이 있다.이러한 특징은 벌통을 열지 않은 상태에서 관찰할 수 있다.
우리의 목표는 Azure 맞춤형 컴퓨터 시각 서비스의 도움을 받아 건강과 각종 종류의 병에 걸린 꿀벌, 예를 들어 개미 문제가 있는 꿀벌, 와로와 벌집갑충을 검출하는 것이다.
Azure 맞춤형 비주얼 서비스를 사용해 세계적인 컴퓨터 비주얼 문제를 최소한의 노력으로 구축하는 것이 얼마나 쉬운지도 보여준다.
데이터
Data is taken from Honey Bee Images Full Set. We have taken a subset of the data provided in the dataset to demonstrate the power of Azure Cognitive Services
나는 위에서 언급한 Kaggle의 부모 데이터 집합으로 빠른 실험에 사용할 작은 데이터 집합을 만들었다.계속하고 싶으시면 Bees Little Data Set 보세요.데이터 대략100 images of each of the classes healthy, ant problems, and varro and hive beetles
이 문제를 모델링하고 예측하려면 다음과 같이 하십시오.
Data is taken from Honey Bee Images Full Set. We have taken a subset of the data provided in the dataset to demonstrate the power of Azure Cognitive Services
사용자 정의 시각 자원 만들기
Azure 포털에서 사용자 정의 Vision 리소스를 만듭니다.비용이 발생하지 않도록 F0 레이어를 무료로 사용하십시오.
사용자 정의 Vision AI 프로젝트 만들기
사용자 정의 vision 항목을 만들려면 https://www.customvision.ai/projects로 이동합니다.
저희가 프로젝트를 만들었어요.
사용자 정의 vision 항목을 만들려면 https://www.customvision.ai/projects로 이동합니다.
저희가 프로젝트를 만들었어요.
이미지 추가
건강한 이미지
우리는 건강한 사진을 올리고 라벨을 붙였다.
와로봉방갑충
우리는 발로봉소갑충의 사진을 올리고 라벨을 붙였다.
우리는 개미 문제 사진을 올리고 그것들을 표시했다.
트레이닝 이미지
저희가 포털에 있는train 단추를 눌러서 그림을 훈련시킵니다.
스피드 트레이닝
우리는 스피드 트레이닝을 선택해서 영상을 훈련한다
교육 진행
데이터 세트에서 교육을 진행하는 데는 시간이 필요하다.완성되면 정확도, 리콜율, 정확성 등 분류된 지표를 볼 수 있다
표현
우리는 정확성, 리콜율, 정확성이 모두 매우 높다는 것을 관찰했다.
스피드 테스트
우리는 꿀벌이 개미에게 문제가 있는 그림을 선택해서 이 모델이 정확하게 예측할 수 있는지 없는지를 보았다.우리는 이 모델이 개미 문제류에 가장 높은 확률을 제공했기 때문에 성공적으로 예측했다
발표하다.
우리는 현재 모델의 단점을 사용하여 보이지 않는 이미지를 예측할 수 있도록 모델을 발표할 수 있다.
모델 게시
저희가 Bee라는 모델을 발표했는데 예측 자원은bee prediction입니다.
프로젝트 상세 정보
Azure 인지 프로그램project id, the published endpoint
을 보여줍니다.이것은 보이지 않는 테스트 이미지를 예측하는 데 사용될 것이다.
Azure 인식 리소스
우리는 두 가지 인지 자원, 즉 훈련 자원과 예측 자원을 보여 주었다.
예측 코드
전체 코드가 GitHub에 나타납니다.
안바리스그
/
Beeshealth 테스트
노드 응용 프로그램 만들기
노드 응용 프로그램을 만들 디렉토리로 이동합니다.
다음 명령을 실행하여 package.json
파일을 만듭니다.
npm init
사용자 정의 Vision npm 패키지를 설치했습니다.우리는 Azure Powershell
에서 다음 명령을 실행하여 이 소프트웨어 패키지를 설치한다
클라이언트 라이브러리 설치
npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction
노드 js 라이브러리 가져오기
파일index.js
을 만들고 다음 줄을 넣습니다index.js
.
const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");
Azure 엔드포인트 및 키로 초기화
const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>"
예측 키를 사용하여 인증
const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);
보이지 않는 데이터로 예측
우리는 사진 한 장varro and hive beetles
으로 예측했다.우리는 다음 절에서 이 예측이 정확한지 아닌지를 볼 것이다.
const testFile = fs.readFileSync('f:/bees/Test/040_314.png');
(async () => {
const results = await predictor.classifyImage(projectid,
publishIterationName, testFile);
// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()
결실
우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다varro and hive beetles
.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.
도구책
저희가 포털에 있는train 단추를 눌러서 그림을 훈련시킵니다.
스피드 트레이닝
우리는 스피드 트레이닝을 선택해서 영상을 훈련한다
교육 진행
데이터 세트에서 교육을 진행하는 데는 시간이 필요하다.완성되면 정확도, 리콜율, 정확성 등 분류된 지표를 볼 수 있다
표현
우리는 정확성, 리콜율, 정확성이 모두 매우 높다는 것을 관찰했다.
스피드 테스트
우리는 꿀벌이 개미에게 문제가 있는 그림을 선택해서 이 모델이 정확하게 예측할 수 있는지 없는지를 보았다.우리는 이 모델이 개미 문제류에 가장 높은 확률을 제공했기 때문에 성공적으로 예측했다
발표하다.
우리는 현재 모델의 단점을 사용하여 보이지 않는 이미지를 예측할 수 있도록 모델을 발표할 수 있다.
모델 게시
저희가 Bee라는 모델을 발표했는데 예측 자원은bee prediction입니다.
프로젝트 상세 정보
Azure 인지 프로그램project id, the published endpoint
을 보여줍니다.이것은 보이지 않는 테스트 이미지를 예측하는 데 사용될 것이다.
Azure 인식 리소스
우리는 두 가지 인지 자원, 즉 훈련 자원과 예측 자원을 보여 주었다.
예측 코드
전체 코드가 GitHub에 나타납니다.
안바리스그
/
Beeshealth 테스트
노드 응용 프로그램 만들기
노드 응용 프로그램을 만들 디렉토리로 이동합니다.
다음 명령을 실행하여 package.json
파일을 만듭니다.
npm init
사용자 정의 Vision npm 패키지를 설치했습니다.우리는 Azure Powershell
에서 다음 명령을 실행하여 이 소프트웨어 패키지를 설치한다
클라이언트 라이브러리 설치
npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction
노드 js 라이브러리 가져오기
파일index.js
을 만들고 다음 줄을 넣습니다index.js
.
const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");
Azure 엔드포인트 및 키로 초기화
const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>"
예측 키를 사용하여 인증
const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);
보이지 않는 데이터로 예측
우리는 사진 한 장varro and hive beetles
으로 예측했다.우리는 다음 절에서 이 예측이 정확한지 아닌지를 볼 것이다.
const testFile = fs.readFileSync('f:/bees/Test/040_314.png');
(async () => {
const results = await predictor.classifyImage(projectid,
publishIterationName, testFile);
// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()
결실
우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다varro and hive beetles
.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.
도구책
우리는 현재 모델의 단점을 사용하여 보이지 않는 이미지를 예측할 수 있도록 모델을 발표할 수 있다.
모델 게시
저희가 Bee라는 모델을 발표했는데 예측 자원은bee prediction입니다.
프로젝트 상세 정보
Azure 인지 프로그램project id, the published endpoint
을 보여줍니다.이것은 보이지 않는 테스트 이미지를 예측하는 데 사용될 것이다.
Azure 인식 리소스
우리는 두 가지 인지 자원, 즉 훈련 자원과 예측 자원을 보여 주었다.
예측 코드
전체 코드가 GitHub에 나타납니다.
안바리스그
/
Beeshealth 테스트
노드 응용 프로그램 만들기
노드 응용 프로그램을 만들 디렉토리로 이동합니다.
다음 명령을 실행하여 package.json
파일을 만듭니다.
npm init
사용자 정의 Vision npm 패키지를 설치했습니다.우리는 Azure Powershell
에서 다음 명령을 실행하여 이 소프트웨어 패키지를 설치한다
클라이언트 라이브러리 설치
npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction
노드 js 라이브러리 가져오기
파일index.js
을 만들고 다음 줄을 넣습니다index.js
.
const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");
Azure 엔드포인트 및 키로 초기화
const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>"
예측 키를 사용하여 인증
const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);
보이지 않는 데이터로 예측
우리는 사진 한 장varro and hive beetles
으로 예측했다.우리는 다음 절에서 이 예측이 정확한지 아닌지를 볼 것이다.
const testFile = fs.readFileSync('f:/bees/Test/040_314.png');
(async () => {
const results = await predictor.classifyImage(projectid,
publishIterationName, testFile);
// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()
결실
우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다varro and hive beetles
.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.
도구책
우리는 두 가지 인지 자원, 즉 훈련 자원과 예측 자원을 보여 주었다.
예측 코드
전체 코드가 GitHub에 나타납니다.
안바리스그
/
Beeshealth 테스트
노드 응용 프로그램 만들기
노드 응용 프로그램을 만들 디렉토리로 이동합니다.
다음 명령을 실행하여 package.json
파일을 만듭니다.
npm init
사용자 정의 Vision npm 패키지를 설치했습니다.우리는 Azure Powershell
에서 다음 명령을 실행하여 이 소프트웨어 패키지를 설치한다
클라이언트 라이브러리 설치
npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction
노드 js 라이브러리 가져오기
파일index.js
을 만들고 다음 줄을 넣습니다index.js
.
const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");
Azure 엔드포인트 및 키로 초기화
const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>"
예측 키를 사용하여 인증
const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);
보이지 않는 데이터로 예측
우리는 사진 한 장varro and hive beetles
으로 예측했다.우리는 다음 절에서 이 예측이 정확한지 아닌지를 볼 것이다.
const testFile = fs.readFileSync('f:/bees/Test/040_314.png');
(async () => {
const results = await predictor.classifyImage(projectid,
publishIterationName, testFile);
// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()
결실
우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다varro and hive beetles
.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.
도구책
npm init
npm install @azure/cognitiveservices-customvision-training
npm install @azure/cognitiveservices-customvision-prediction
const util = require('util');
const fs = require('fs');
const TrainingApi = require("@azure/cognitiveservices-customvision-training");
const PredictionApi = require("@azure/cognitiveservices-customvision-prediction");
const msRest = require("@azure/ms-rest-js");
const sampleDataRoot = "f:/bees/";
const predictionKey = "<prediction key>";
const endPoint = "https://bees.cognitiveservices.azure.com/"
const publishIterationName = "bees"
const projectid = "<your-project-id>"
const predictor_credentials = new msRest.ApiKeyCredentials({ inHeader: { "Prediction-key": predictionKey } });
const predictor = new PredictionApi.PredictionAPIClient(predictor_credentials, endPoint);
const testFile = fs.readFileSync('f:/bees/Test/040_314.png');
(async () => {
const results = await predictor.classifyImage(projectid,
publishIterationName, testFile);
// Show results
console.log("Results:");
results.predictions.forEach(predictedResult => {
console.log(`\t ${predictedResult.tagName}: ${(predictedResult.probability * 100.0).toFixed(2)}%`);
});
})()
우리는 결과를 얻었고 모델이 이미지를 정확하게 예측한 것을 관찰했다
varro and hive beetles
.와로갑충과 벌집갑충류의 확률이 75%로 가장 높다.도구책
Reference
이 문제에 관하여(Azure 맞춤형 시각 서비스로 꿀벌 건강 검사), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://dev.to/ambarishg/bees-health-detection-using-azure-custom-vision-service-4k11텍스트를 자유롭게 공유하거나 복사할 수 있습니다.하지만 이 문서의 URL은 참조 URL로 남겨 두십시오.
우수한 개발자 콘텐츠 발견에 전념 (Collection and Share based on the CC Protocol.)