Watson Studio에서 자율주행에 필요한 이미지 처리 기술 배우기 (3)의 후반부
절차
모델 배포
전반 에서 만든 모델의 Actions 메뉴에서 Save model 을 선택합니다.
프로젝트 페이지로 돌아가면 Watson Machine Learning models에 모델이 저장되었음을 알 수 있으므로 모델 이름을 클릭하십시오.
Deployments 탭에서 Add Deployment를 클릭하고 적절한 이름으로 Save합니다.
STATUS 가 DEPLOY_SUCCESS 가 되면 배포 완료입니다.
배포하면 모델을 호출하는 Scoring End Point 및 앱을 만드는 데 사용할 수 있는 코드가 생성됩니다.
앱 만들기
아래에 작성한 샘플 앱을 공개하고 있습니다.
htps : // 기주 b. 코 m / s 치요다 / T 라후
다음 절차에 따라 실행할 수 있습니다.
1. 코드 취득
$ git clone https://github.com/schiyoda/TrafficSignRecognition.git
$ npm install
2.server/routers/main.js에서 Scoring Endpoint 및 WML Credential 설정
3. 시작
$ npm start
여기에서 만든 앱입니다.
h tp : // t 라후 ぃ c 해 g 렝코 g에 치온. myb 에미 x. 네 t/
앱에서 사용하고 있는 표지 이미지는 학습시에는 사용하지 않은 「Test dataset를 여기 로부터 취득했습니다.
몇가지 시도해 보면, 적당히 좋은 결과가 아닐까 생각합니다.
Reference
이 문제에 관하여(Watson Studio에서 자율주행에 필요한 이미지 처리 기술 배우기 (3)의 후반부), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다
https://qiita.com/schiyoda/items/3b8c4e08c7e0e977274d
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.)
아래에 작성한 샘플 앱을 공개하고 있습니다.
htps : // 기주 b. 코 m / s 치요다 / T 라후
다음 절차에 따라 실행할 수 있습니다.
1. 코드 취득
$ git clone https://github.com/schiyoda/TrafficSignRecognition.git
$ npm install
2.server/routers/main.js에서 Scoring Endpoint 및 WML Credential 설정
3. 시작
$ npm start
여기에서 만든 앱입니다.
h tp : // t 라후 ぃ c 해 g 렝코 g에 치온. myb 에미 x. 네 t/
앱에서 사용하고 있는 표지 이미지는 학습시에는 사용하지 않은 「Test dataset를 여기 로부터 취득했습니다.
몇가지 시도해 보면, 적당히 좋은 결과가 아닐까 생각합니다.
Reference
이 문제에 관하여(Watson Studio에서 자율주행에 필요한 이미지 처리 기술 배우기 (3)의 후반부), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://qiita.com/schiyoda/items/3b8c4e08c7e0e977274d텍스트를 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.)