Part 2. Model ThinkBioT amb Google AutoML: 8 passos

2024 Autora: John Day | [email protected]. Última modificació: 2024-01-30 08:13

ThinkBioT està dissenyat per ser "Plug and Play", amb models TensorFlow Lite compatibles amb Edge TPU.

En aquesta documentació tractarem de crear espectrogrames, formatar les vostres dades i utilitzar Google AutoML.

El codi d’aquest tutorial s’escriurà en bash, de manera que serà compatible amb diverses plataformes.

Dependències

• Tanmateix, abans de començar, haureu d'instal·lar Sox un programa d'àudio de línia d'ordres compatible amb dispositius Windows, Mac i Linux.
• Si utilitzeu un dispositiu Windows, la manera més senzilla d’executar scripts bash és mitjançant Git, així que us recomanaria descarregar-lo i instal·lar-lo com a útil de moltes maneres,
• Per editar codi, utilitzeu el vostre editor favorit o instal·leu NotePad ++ per a Windows o Atom per a altres sistemes operatius.

** Si teniu un model TensorFlow existent o voleu provar de transferir l'aprenentatge amb un model existent, consulteu la documentació de Google Coral.

Pas 1: configureu un dipòsit de Google Cloud Storage

1. Inicieu la sessió al vostre compte de Gmail (o creeu-ne un si no teniu cap compte de Google)

2. Aneu a la pàgina del selector de projectes i feu un projecte nou per als fitxers de models i espectrogrames. Haureu d’habilitar la facturació per avançar més.

3. Visiteu https://cloud.google.com/storage/ i premeu el botó Crea un dipòsit a la part superior de la pàgina.

4. Introduïu el nom del dipòsit que vulgueu i creeu el dipòsit que accepti la configuració predeterminada.

Pas 2: formateu les vostres dades i creeu un conjunt de dades CSV

He dissenyat un script útil per crear el fitxer dataset.csv necessari per crear el vostre model. El fitxer de conjunt de dades enllaça les imatges del vostre dipòsit amb les seves etiquetes del conjunt de dades.

1. Baixeu el dipòsit ThinkBioT de GitHub i

2. Copieu el fitxer tbt_spect_example.sh del directori Tools a una nova carpeta de l'escriptori.

3. Afegiu els fitxers d'àudio que vulgueu utilitzar al vostre model, col·locant-los a carpetes que tinguin la seva etiqueta (és a dir, en què voleu ordenar-los. Per exemple, si voleu identificar gossos o gats, podeu tenir una carpeta gos, amb sons d’escorça O carpeta anomenada gat amb sons de gat, etc.

4. Obriu tbt_spect_example.sh amb Notepad ++ i substituïu "yourbucknamename" a la línia 54 pel nom del vostre dipòsit d'emmagatzematge de Google. Per exemple, si el vostre dipòsit s'anomenés myModelBucket, la línia es canviaria a

bucket = "gs: // myModelBucket / spectro-data /"

5. Executeu el codi escrivint el següent al vostre terminal Bash, el codi s'executarà i crearà el fitxer csv d'etiquetes i un directori anomenat espectro-dades al taulell amb els espectrogrames resultants.

sh tbt_spect_example.sh

Pas 3: pengeu els vostres espectrogrames al vostre dipòsit

Hi ha algunes maneres de carregar a Google Storage, la més fàcil és carregar directament una carpeta;

1. Feu clic al nom del vostre dipòsit a la pàgina d'emmagatzematge de Google.

2. Seleccioneu el botó "CARREGA LA CARPETA" i trieu el directori "spectro-data /" creat a l'últim pas.

O

2. Si teniu una gran quantitat de fitxers, podeu crear manualment el directori "spectro-data /" seleccionant "CREA CARPETA", aneu a la carpeta i seleccioneu "CÀRREGA ARXIUS". Aquesta pot ser una opció fantàstica per a conjunts de dades grans, ja que podeu penjar els espectrogrames en seccions, fins i tot amb diversos equips per augmentar la velocitat de càrrega.

O

2. Si sou un usuari avançat, també podeu carregar mitjançant Google Cloud Shell;

gsutil cp spectro-data / * gs: // your-bucket name / spectro-data /

Ara hauríeu de tenir una galleda plena d’espectrogrames força bonics!

Pas 4: pengeu el vostre conjunt de dades Csv

Ara hem de carregar el fitxer model-labels.csv al directori "spectro-data /" a Google Storage, essencialment és el mateix que l'últim pas, només pengeu un sol fitxer en lloc de molts.

1. Feu clic al nom del vostre dipòsit a la pàgina d'emmagatzematge de Google.

2. Seleccioneu el botó CARREGA EL FITXER i trieu el fitxer model-labels.csv que heu creat anteriorment.

Pas 5: Creeu un conjunt de dades

1. En primer lloc, haureu de trobar l'API AutoML VIsion, pot ser una mica complicat. La forma més senzilla és cercar "visió automàtica" a la barra de cerca del vostre emmagatzematge de Google Cloud (a la imatge).

2. Un cop feu clic a l'enllaç API, haureu d'activar l'API.

3. Ara estareu al tauler de control AutoML Vision (a la imatge), feu clic al botó del conjunt de dades nou i seleccioneu Etiqueta única i l'opció "Selecciona un fitxer CSV". A continuació, inclourà l’enllaç al fitxer model-labels.csv al dipòsit d’emmagatzematge. Si heu seguit aquest tutorial, serà el següent

gs: //yourBucketName/spectro-data/model-labelsBal.csv

4. A continuació, premeu continua per crear el vostre conjunt de dades. La creació pot trigar una mica.

Pas 6: creeu el vostre model AutoML

Un cop hàgiu rebut el correu electrònic per informar-vos que s'ha creat el vostre conjunt de dades, esteu a punt per crear el vostre nou model.

1. Premeu el botó TREN
2. Seleccioneu el tipus de model: estimacions de latència de Edge i Model: Edge TPU i deixeu les altres opcions per defecte inicialment, és possible que us agradi experimentar-les després.
3. Ara el vostre model s’entrenarà, trigarà una mica i rebreu un correu electrònic quan estigui a punt per descarregar-lo.

Nota: si el botó d'entrenament no està disponible, és possible que tingueu problemes amb el vostre conjunt de dades. Si teniu menys de 10 de cada classe (etiqueta), el sistema no us permetrà formar un model, de manera que és possible que hàgiu d'afegir imatges addicionals. Si necessiteu aclariments, val la pena fer una ullada al vídeo AutoML de Google.

Pas 7: proveu el vostre model

Un cop hàgiu rebut el correu electrònic de finalització del model, feu clic a l'enllaç per tornar a l'API AutoML Vision.

1. Ara podreu veure els vostres resultats i la matriu de confusió del vostre model.

2. El següent pas és provar el vostre model, aneu a "TEST & USE" o "PREDICT", estranyament, sembla que hi hagi dues GUI d'usuari, les dues que he representat, però les dues opcions tenen la mateixa funcionalitat.

3. Ara podeu penjar un espectrograma de prova. Per fer un únic espectrograma, podeu utilitzar el programa tbt_make_one_spect.sh del ThinkBioT Github. Simplement deixeu-lo anar a una carpeta amb el wav que vulgueu convertir en espectrograma, obriu una finestra (o terminal) de Git Bash i utilitzeu el codi següent, substituint el vostre nom de fitxer.

sh tbt_make_one_spect.sh yourWavName.wav

4. Ara només cal carregar l'espectrograma i comprovar el resultat.

Pas 8: instal·leu el vostre model a ThinkBioT

Per utilitzar el vostre nou model brillant, simplement deixeu anar el model i el fitxer txt a la carpeta CModel;

pi> ThinkBioT> ClassProcess> CModel

Ara ja podeu utilitzar ThinkBioT:)

** Nota **: Si utilitzeu el vostre model fora del marc ThinkBioT, haureu d'editar el document de l'etiqueta per afegir umbres al començament de cada línia, ja que els darrers intèrprets tflite incorporats a la funció "readlabels" incorporen que hi són. He escrit una funció personalitzada al marc ThinkBioT classify_spect.py com una obra al voltant de la qual podeu utilitzar al vostre propi codi:)

def ReadLabelFile (file_path):

comptador = 0 amb obert (camí_arxiu, 'r', codificació = 'utf-8') com a f: línies = f.readlines () ret = {} per a línia en línies: ret [int (comptador)] = línia.strip () comptador = comptador + 1 retorn ret