Deel 2. ThinkBioT -model met Google AutoML: 8 stappe

2025 Outeur: John Day | [email protected]. Laas verander: 2025-01-13 06:56

ThinkBioT is ontwerp om 'Plug and Play' te wees, met Edge TPU -versoenbare TensorFlow Lite -modelle.

In hierdie dokumentasie gaan ons oor die maak van spektrogramme, die opmaak van u data en die gebruik van Google AutoML.

Die kode in hierdie tutoriaal sal in bash geskryf word, en sal dus multi-platform versoenbaar wees.

Afhanklikes

• Maar voordat u begin, moet u Sox 'n opdragreël -klankprogram installeer wat versoenbaar is met Windows-, Mac- en Linux -toestelle.
• As u op 'n Windows -toestel is, is die maklikste manier om bash -scripts uit te voer via Git, so ek sal dit aanbeveel en aflaai en installeer, aangesien dit op baie maniere nuttig is,
• Gebruik u gunsteling redakteur vir die redigering van kode, of installeer NotePad ++ vir Windows of Atom vir ander bedryfstelsels.

** Raadpleeg die Google Coral -dokumentasie as u 'n bestaande TensorFlow -model het of u wil leer met 'n bestaande model.

Stap 1: Stel 'n Google Cloud Storage Bucket op

1. Meld aan by u gmail -rekening (of skep een as u nie 'n Google -rekening het nie)

2. Gaan na die projekkeuse -bladsy en maak 'n nuwe projek vir u model- en spektrogramlêers. U moet fakturering in staat stel om verder te vorder.

3. Besoek https://cloud.google.com/storage/ en druk die knoppie skep bo -aan die bladsy.

4. Voer die gewenste emmernaam in en skep die emmer met standaardinstellings.

Stap 2: Formateer u data en skep databasis Csv

Ek het 'n nuttige script ontwerp om u dataset.csv -lêer te skep wat nodig is om u model te skep. Die dataset -lêer koppel die beelde in u emmer aan die etikette in die dataset.

1. Laai die ThinkBioT -bewaarplek af van GitHub en

2. Kopieer die tbt_spect_example.sh lêer van die gids Tools na 'n nuwe gids op u lessenaar.

3. Voeg die klanklêers by wat u in u model wil gebruik, en plaas dit in gidse met hul etiket (dws waarin u dit wil rangskik. As u byvoorbeeld honde of katte wil identifiseer, kan u 'n vouer hê hond, met blafgeluide OF map met die naam kat met katgeluide ens.

4. Maak die tbt_spect_example.sh oop met Notepad ++ en vervang "jou boknaam" in reël 54 met die naam van jou Google Storage Bucket. As u emmer byvoorbeeld myModelBucket genoem word, word die reël verander na

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

5. Begin die kode deur die volgende in u Bash-terminale in te tik, die kode sal loop en u csv-lêer met etikette en 'n gids met die spektro-data op u tafelblad met die resultate spektrogramme skep.

sh tbt_spect_example.sh

Stap 3: Laai u spektrogramme op na u emmer

Daar is 'n paar maniere om na Google Storage op te laai; die maklikste is om die lêer direk te laai;

1. Klik op u emmernaam op u Google Storage -bladsy.

2. Kies die "UPLOAD FOLDER" knoppie en kies u "spectro-data/" gids wat in die laaste stap geskep is.

OF

2. As u 'n groot hoeveelheid lêers het, kan u die "spectro-data/" -gids handmatig skep deur "CREATE FOLDER" te selekteer, navigeer dan in die gids en kies "UPLOAD FILES". Dit kan 'n uitstekende opsie wees vir groot datastelle, aangesien u die spektrogramme in afdelings kan oplaai, selfs met verskeie rekenaars om die oplaaisnelheid te verhoog.

OF

2. As u 'n gevorderde gebruiker is, kan u ook oplaai via Google Cloud Shell;

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

U behoort nou 'n emmer vol mooi spektrogramme te hê!

Stap 4: Laai u databasis Csv

Nou moet ons die model-labels.csv-lêer oplaai na u 'spectro-data/' gids in Google Storage, dit is in wese dieselfde as die laaste stap; u laai net 'n enkele lêer op in plaas van baie.

1. Klik op u emmernaam op u Google Storage -bladsy.

2. Kies die "UPLOAD FILE" -knoppie en kies u model-labels.csv-lêer wat u vroeër geskep het.

Stap 5: Skep 'n datastel

1. Eerstens moet u die AutoML VIsion API vind, dit kan 'n bietjie lastig wees! Die maklikste manier is om 'outomatiese visie' te soek in die soekbalk van u Google Cloud -berging (op die foto).

2. Sodra u op die API -skakel geklik het, moet u die API aktiveer.

3. Nou sal u in die AutoML Vision Dashboard (op die foto) klik op die nuwe datastelknoppie en kies Enkel etiket en die 'Kies 'n CSV -lêer' opsie. U sal dan die skakel na u model-labels.csv-lêer in u stooremmer insluit. As u hierdie tutoriaal gevolg het, sal dit soos hieronder beskryf word

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

4. Druk dan op voortgaan om u datastel te skep. Dit kan 'n rukkie neem om dit te skep.

Stap 6: Skep u AutoML -model

Sodra u u e -pos ontvang het waarin u weet dat u datastel geskep is, is u gereed om u nuwe model te skep.

1. Druk die TRAIN -knoppie
2. Kies modeltipe: Rand- en modelvertragingsberamings: Edge TPU en laat die ander opsies aanvanklik as standaard, moeilik, waarmee u later sal kan eksperimenteer.
3. Nou sal u model leer, dit sal 'n rukkie neem en u sal 'n e -pos ontvang wanneer dit gereed is om af te laai.

Let wel: as u 'n oefenknoppie nie beskikbaar is nie, het u moontlik probleme met u datastel. As u minder as 10 van elke klas (etiket) het, sal die stelsel u nie toelaat om 'n model op te lei nie, sodat u moontlik ekstra beelde moet byvoeg. Dit is die moeite werd om na die Google AutoML -video te kyk as u verduideliking benodig.

Stap 7: Toets u model

Sodra u u model -voltooiings -e -pos ontvang het, klik op die skakel om terug te keer na die AutoML Vision API.

1. Nou sal u u resultate en die verwarringsmatriks vir u model kan sien.

2. Die volgende stap is om u model te toets, na 'TEST & GEBRUIK' of 'VOORSPELLING' te gaan, vreemd dat daar twee gebruikers -GUI's is, wat ek albei voorgestel het, maar beide opsies het dieselfde funksie.

3. Nou kan u 'n toets spektrogram oplaai. Om 'n enkele spektrogram te maak, kan u die tbt_make_one_spect.sh -program van die ThinkBioT Github gebruik. Laai dit eenvoudig in 'n gids met die wav wat u in 'n spektrogram wil omskep, maak 'n Git Bash -venster (of terminale) oop en gebruik die onderstaande kode en vervang u lêernaam.

sh tbt_make_one_spect.sh yourWavName.wav

4. Laai nou eenvoudig die spektrogram op en kyk na u resultaat!

Stap 8: Installeer u model in ThinkBioT

Om u nuwe blink model te gebruik, moet u die model en die txt -lêer in die CModel -lêergids laat val;

pi> ThinkBioT> ClassProcess> CModel

Nou is u gereed om ThinkBioT te gebruik:)

** NB ** As u u model buite die ThinkBioT-raamwerk gebruik, moet u u etiketdokument wysig as byvoegsels aan die begin van elke reël, aangesien die nuutste tflite-tolke ingeboude "leesetikette" -funksie veronderstel dat hulle daar is. Ek het 'n pasgemaakte funksie in die ThinkBioT -raamwerk, classify_spect.py, geskryf as 'n werk wat u in u eie kode kan gebruik:)

def ReadLabelFile (file_path):

teller = 0 met oop (file_path, 'r', encoding = 'utf-8') as f: lines = f.readlines () ret = {} vir reël in reëls: ret [int (counter)] = line.strip () teller = teller + 1 retourret