Deteccin de objetos con Azure Custom Vision

La deteccin de objetos en imgenes nos permite conocer las coordenadas de uno o mltiples objetos (o etiquetas) previamente establecidas.

En este tutorial aprenderemos a crear un modelo de visin por computador con el recurso Custom Vision de Azure, para el reconocimiento de objetos (Botellas, Rostros, Guitarras, y Sombreros) en imgenes.

Aspectos importantes:

Para personalizar nuestro modelo, este ser el proceso de deberemos tener en cuenta:

Acceso a Custom Vision: https://www.customvision.ai/

Dataset de imgenes de ejemplo: URL

Proceso previo: Crear un proyecto de Custom Vision.

En primera instancia, necesitaremos iniciar sesin en el portal Low-Code de Custom Vision con las credenciales de nuestra cuenta de Azure, y crear un nuevo proyecto de tipo Object Detection.

Nota: Necesitaremos un recurso Azure Custom Vision. Este recurso lo podemos crear desde el portal de Azure, o desde este asistente de configuracin directamente.

Paso 1: Cargar Imgenes

Como primer paso, lo primero que haremos ser cargar las imgenes (de preferencia en orden, segn los objetos que vayamos a etiquetar para la deteccin de objetos).

Al seleccionar la opcin Add Images, podremos seleccionar las imgenes que deseemos cargar. En este ejemplo cargaremos las imgenes para etiquetar imgenes con sombreros:

Una vez finalizada la carga de imgenes, podremos ver algo como esto:

Ahora, con cada una de las imgenes cargadas, deberemos abrir cada imagen, y seleccionar el rea donde se encuentra el objeto que deseamos etiquetar.

Nota: en una imagen podemos seleccionar una o varias reas para etiquetar varios objetos.

Para poder finalizar este proceso de etiquetado de imgenes, es importante que hayamos etiquetado mnimo 15 imgenes por cada categora. Para nuestro ejemplo, este es el nmero de imgenes que hemos utilizado en cada etiqueta: Botella - 18, Rostro - 26, Guitarra - 18, y Sombrero - 19.

Paso 2. Entrenar el modelo

Ahora que ya tenemos lo ms importante (como en cualquier otro modelo de Machine Learning) los datos, ahora podemos hacer el entrenamiento desde esta opcin:

Aqu Podemos considerar dos tipos de entrenamiento:

Por un lado, podemos realizar el entrenamiento en el menor tiempo posible segn el nmero de imgenes que se hayan cargado y el nmero de etiquetas que tengamos; y por otro lado podemos hacer un entrenamiento avanzado, en el cual podremos encontrar el mejor modelo posible, considerando un mximo de tiempo que nosotros podemos especificar:

Cuando el entrenamiento haya finalizado, podremos evaluar el modelo.

Paso 3. Evaluar el modelo

En este paso, en la seccin de Performance, podremos analizar el modelo con tres mtricas: Precisin, Recall, y _mAP _(Mean Average Precision).

De manera general, estas mtricas nos sirven para analizar lo siguiente:

Precisin: indica la fraccin de imgenes identificadas que eran correctas. Por ejemplo, si el modelo identificara 100 imgenes como sombreros y 99 de ellas fueran realmente sombreros, la precisin sera del 99 %.

Recall: indica la fraccin de clasificaciones reales que se identificaron correctamente. Por ejemplo, si en realidad hubiera 100 imgenes con sombreros y el modelo identificara 80 como sombreros, el recall sera del 80 %.

mAP: es el valor medio de la precisin media (AP). AP es el rea bajo la curva de precisin/recuperacin (precisin trazada frente a la recuperacin para cada prediccin realizada).

Prueba rpida:

Con nuestro modelo de Azure Custom Vision listo, desde la opcin Quick Test podremos realizar un ejemplo rpido:

Aqu podremos subir una imagen desde nuestro computador, o utilizar el enlace de una imagen en lnea. Asimismo, podremos establecer el umbral de probabilidad, es decir, mostrar todos los objetos detectados que tengan una probabilidad mayor a la que nosotros especifiquemos.

Ejemplo: en la imagen previa podemos ver que existe un 99.8% de probabilidad de que en el rea especificada se encuentre una Guitarra.

Plus: Publicar el modelo.

Ahora que ya tenemos un modelo de Custom Vision establecido, ahora podemos publicarlo desde la seccin de Performance, y seleccionar una iteracin/entrenamiento.

Para publicar el modelo, deberemos especificar un nombre, y el recurso de Custom Vision en Azure que nos permita hacer evaluaciones:

Al publicar el modelo, podremos utilizar este recurso a manera de web API:

Tambin pudiramos exportar el modelo considerando TensorFlow, CoreML, Docker container, entre otros.

Aqu podemos aprender ms al respecto: Exportacin del modelo para su uso con dispositivos mviles.

Gracias por leer!

Espero que te haya gustado el artculo. Si tienes alguna pregunta o idea en mente, ser un gusto poder estar en comunicacin e intercambiar conocimientos entre s.

Nos vemos en Twitter / esDanielGomez.com!