Clasificación de imágenes en aplicaciones web con ML.NET

'안녕하세요!나는 사루다트를 매우 좋아한다.이 글은 기계 학습의 개성화된 모델에 대한 글입니다.im유전자의 분류, 특히mascarillas의 인물 역할에 대한 분류, 소비자에 대한 글입니다.NET con el patrón MVVM(Modelo、Vista、VistaModelo).

당신은 ML.NET와 씨오모의 기능이 어떻다고 생각합니까?
ML.NET는 머신러닝 플랫폼으로 소스 코드를 개방하고 모델 ML의 데이터를 변환할 수 있으며 IMágenes를 지원하며 sobre el Ecosystema de에 통합 적용할 수 있습니다.NET、ya sean aplicaciones web、móviles、de escritorio、o cualquier otro tipo de aplicación.
이마키니 분류법을 토대로 우리는 새로운 연구를 시작했다.

이마키니 가문
'신인류'에서 우리의 목적은 우리 얼굴의 사람들에게 얼굴의 사람과 얼굴의 사람이라는 인상을 남기기 위한 것이다.
이것은 활동과 예술을 실현하는 목표이다.

1. VisualStudio에서 필요한 조건 및 준비 작업을 제공합니다.

2. Crear nuestro modelo de Machine Learning con ML.NET.

3. Consumir el modelo generado desde ASP.그물

코네스토 멘지오나도, "코네스모스!

섹션 1: Visual Studio 솔루션의 사전 요구 사항 및 준비
머신러닝 분야 nuestro modelo generar, utilizaremos el intérprete Model Builder de ML.NET.Visual Studio(Desarrollo Multiplatforma de.NET)에서는 trabajo의 비디오 내용을 분석할 필요가 있습니다.

trabajo 사이트에서 우리는 새로운 해결 방안을 볼 수 있다. 이것은 일반적인 응용 네트워크의 소비자 모델이고 HTML과 C#sobre ASP를 사용할 수 없는 실용적인 프레임워크이다.NET、y con el patrón MVVM(Modelo、Vista、VistaModelo).


제2부분: 기계 학습 모델의 구축
ML.NET 기반 모델입니다.기계 학습 은 통용되는 기계 학습 과정 으로, 일종 의 인지 모델 이고, 일종 의 인지 모델 이다

escenario 장원

준비 작업

Cargarel 데이터 세트

Enternar el modelo.

Evaluar el modelo.

Consumir el-modelo.

파라 엔페자르(Para empezar)는 기계 학습을 바탕으로 하는 새로운 해결 방안 프로젝트 담당자:

opción 회의에서 el intérprete de ML.NET 모델 구축자는 podremos comenzar의 개성화된 el 모델을 특별히 추천한다.
Escenario:
El primer paso es Selecciator El escenario con El que deseamos trabajar, 카소제도 Image classification:

환경:
아호라, 새로운 모델의 비즈니스 모델을 선택하세요.논란이 되는 선택 중 컴퓨터의 CPU 활용도가 높고 GPU의 GPU 사용률이 높으며 머신러닝 실현률도 높다.En este Ejempo Utizaremos el CPU local:

다토스 가문:
중요한 쪽으로서 당신은 개성화된 새로운 모델을 선택할 수 있습니다.이 방면에서 특별 이사회 구성원은 회의에서 발언할 것이다.우리가 보기에 중요한 것은 우리의 생활은 하나의 계급의 범주이고 우리의 생활은'공제회'이며 우리의 생활은'공제회'이다.Al Selecciator el directorio desde el ML.NET Model Generator podremos visualizar algo como esto:

Enternamiento:
이것은 매우 중요한 순간이며 상업 절차를 실현하는 과정이며 전체적인 최종 모델이다.이것은 성공의 과정이자 최종 과정이다.틴보 데이터 집합의 데이터 집합은 새 중앙 프로세서 (método seleccionado previamente) 와 파일관의 데이터 집합에 의존한다.

평가:
이것은 매우 좋은 모델 개발 플랫폼이다. 특히 ML.NET podemos evaluar el modelo con-un-Ejempo의 모델 구축 플랫폼이다.

소비자:
마지막으로 우리는 고객에게 네트워크api플랫폼(consumir o con una webapi) 프로젝트와 고객에게 일련의 서비스를 제공할 것입니다.

caso 사이트에서 당신은 ASP를 통과할 수 있습니다.신파쿠트 본사의 순이익:MLModel.mbconfig.

제2부분: 유니버설 모델.그물MLModel.mbconfig grupo에서는 일반적인 ML.NET인 간단한 MLModel을 참조합니다.

따라서 조회 분류에 참고할 수 있는 모델 입력 실례를 구축할 필요가 있다. Predict단은 luego llamaral almétodo이고 그 대상은 분류 모델의 출력에 대응하는 대상(마스크가 있고 마스크가 없음)이므로 그 가능성은 매우 적다.
뷰 모델
propósito 지원, poder establecer una página webcon DotVVM 지원, View Model 지원, caso el DefaultViewModel.cs 지원, 글로벌 변수 정의:

private IUploadedFileStorage storage;
public UploadedFilesCollection Files { get; set; }

public string Result { get; set; } = null;
public decimal? Score { get; set; } = null;

이것은 이미지를 저장하는 참고 파일로 Result과 Score을 대표한다.
Luego podemos establecer un método en esta clase,de tal manera que represente la acción de un botón para realizar la predicción:

public void Predict()
{
    var uploadPath = GetUploadPath();
    var targetPath = Path.Combine(uploadPath, Files.Files[0].FileId + ".bin");
    storage.SaveAsAsync(Files.Files[0].FileId, targetPath);

    var sampleData = new MLModel.ModelInput()
    {
        ImageSource = targetPath,
    };

    //Load model and predict output
    var output = MLModel.Predict(sampleData);
    Result = output.Prediction;

    if (Result.Equals("With mask"))
    {
        Score = decimal.Round((decimal)(output.Score[0]) * 100, 2);
    }
    else
    {
        Score = decimal.Round((decimal)(output.Score[1]) * 100, 2);
    }

    //storage.DeleteFileAsync(Files.Files[0].FileId);
    Files.Clear();
}

중요한 점은 다음과 같습니다.

Almacenar el archivo de la imagen en un storage local,de tal manera que podamos tener la ruta de este archivo para el modelo.

Inicializar un MLModel.ModelInput con la ruta de la imagen.

Llamar al MLModel.Predict con el ModelInput como parámetro,obteniendo asíel ModelOutput con los resultados.

준비 단계el Result 후 단계 분류 결과의 가시화 단계, 예측 단계까지 정확.
시야.
제 친구들, 아호라 포드모스(ahora podemos)가 경관 참고 모델을 구축하고 있습니다.에스타 비스타 카레모스와 알키보 Default.dothtml 드라시지언트 마넬라:

<table style="border: hidden">
    <tbody style="border: hidden">
        <tr style="border: hidden">
            <td style="border: hidden" align="center">
                <dot:FileUpload UploadedFiles="{value: Files}"
                                AllowMultipleFiles="false"
                                SuccessMessageText="Predicting..."
                                NumberOfFilesIndicatorText=""
                                UploadButtonText="Search Image"
                                AllowedFileTypes="jpg,png"
                                UploadCompleted="{command: Predict()}" />
            </td>
            <td style="border: hidden" align="center">
                <b>{{value: Result}}</b> {{value: Score}}
            </td>
        </tr>
    </tbody>
</table>

통제권의 중요성에 대해 FileUpload년에 컴퓨터 이미지를 바탕으로 Predict()년의 유엔 Button년에 모스라와 valores de las variables Result년을 토대로 Score년의 목표를 실현했다.
ejecució의 직원
Con esta View,y su ViewModel,nuestra página web se Encuntera lista.ejecución 마을의 주민 구역:


이 회사의 직원 수는 github.com/esdanielgomez/MLNET_ImageClassification명이다.

"감사합니다!
저는 그레시아스 볼 라이어입니다. 그는 매우 유용한 사람입니다.이전의 아르구나와 아르구나의 이념을 토론할 때 모두들 환경을 뛰어넘는 지역사회 협력에 참여하는 것에 흥미를 느꼈다.
"번호:vemos en/esdanielgomez.com!"

Reference

이 문제에 관하여(Clasificación de imágenes en aplicaciones web con ML.NET), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://dev.to/esdanielgomez/clasificacion-de-imagenes-en-aplicaciones-web-con-mlnet-4618

---

텍스트를 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.)