在 2024 年演示日活动中，观看有关如何使用 Firebase 构建和运行 AI 赋能应用的演示。立即观看。

Cette page a été traduite par l'API Cloud Translation.

Entraîner un modèle de détection d'objets avec AutoML Vision Edge

Un modèle de détection d'objets est semblable à un modèle d'étiquetage d'image, mais au lieu d'attribuer des étiquettes à des images entières, il attribue des étiquettes à des régions d'images. Vous pouvez utiliser des modèles de détection d'objets pour reconnaître et localiser des objets dans une image ou pour suivre les mouvements d'un objet dans une série d'images.

Pour entraîner un modèle de détection d'objets, vous devez fournir à AutoML Vision Edge un ensemble d'images avec les étiquettes et les limites d'objets correspondantes. AutoML Vision Edge utilise cet ensemble de données pour entraîner un nouveau modèle dans le cloud, que vous pouvez utiliser pour la détection d'objets sur l'appareil.

Avant de commencer

Si vous n'avez pas encore de projet Firebase, créez-en un dans la console Firebase.
Familiarisez-vous avec les consignes présentées dans le guide sur l'inclusion dans le ML – AutoML.
Si vous souhaitez simplement essayer AutoML Vision Edge et que vous ne disposez pas de vos propres données d'entraînement, téléchargez un exemple d'ensemble de données, comme l'un des suivants:
- L'un des ensembles de données recommandés de TensorFlow.
- Ensemble de données hébergé sur Kaggle.

1. Rassembler vos données d'entraînement

Tout d'abord, vous devez créer un ensemble de données d'entraînement d'images libellées. Tenez compte des consignes suivantes:

Les images doivent être au format JPEG, PNG, GIF, BMP ou ICO.
Chaque image doit être inférieure ou égale à 30 Mo. Notez qu'AutoML Vision Edge réduit la taille de la plupart des images lors du prétraitement. Il n'est donc généralement pas avantageux de fournir des images très haute résolution.
Incluez au moins 10 exemples, et de préférence 100 ou plus, pour chaque étiquette.
Incluez plusieurs angles, résolutions et arrière-plans pour chaque étiquette.
Les données d'entraînement doivent être aussi proches que possible des données sur lesquelles les prédictions sont fondées. Par exemple, si votre cas pratique implique des images floues en basse résolution (comme celles d'une caméra de sécurité), vos données d'entraînement doivent être composées d'images floues à basse résolution.
Les modèles générés par AutoML Vision Edge sont optimisés pour les photographies d'objets dans le monde réel. Les documents tels que radiographies, dessins à la main, numérisations, reçus, etc. ne sont pas adaptés.

De plus, les modèles ne sont généralement pas capables de prédire les étiquettes qu'un humain ne s saurait pas attribuer. Ainsi, si un humain ne peut pas attribuer d'étiquettes en regardant l'image pendant 1 à 2 secondes, le modèle ne pourra probablement pas être entraîné à le faire non plus.

Lorsque vos images d'entraînement sont prêtes, préparez-les à être importées dans Google Cloud. Deux possibilités s'offrent à vous :

Option 1: Cloud Storage avec index CSV

Importez vos images d'entraînement dans Google Cloud Storage et préparez un fichier CSV listant l'URL de chaque image, et éventuellement les libellés d'objet et les régions de délimitation appropriés pour chaque image. Cette option est utile lorsque vous utilisez de grands ensembles de données.

Par exemple, importez vos images dans Cloud Storage et préparez un fichier CSV comme suit:

gs://your-training-data-bucket/001.jpg,accordion,0.2,0.4,,,0.3,0.5,,
gs://your-training-data-bucket/001.jpg,tuba,0.2,0.5,,,0.4,0.8,,
gs://your-training-data-bucket/002.jpg,accordion,0.2,0.2,,,0.9,0.8,,

Les cadres de délimitation des objets sont spécifiés en tant que coordonnées relatives dans l'image. Consultez la section Mettre en forme un fichier CSV de données d'entraînement.

Les images doivent être stockées dans un bucket situé dans la région us-central1 et faisant partie du projet Google Cloud correspondant à votre projet Firebase.

Option 2: Images sans libellé

Après avoir importé vos images d'entraînement, ajoutez-leur des libellés et tracez les limites des objets dans la console Google Cloud. Cette option n'est recommandée que pour les petits ensembles de données. Reportez-vous à l'étape suivante.

2. Entraîner le modèle

Entraînez ensuite un modèle à l'aide de vos images:

Ouvrez la page Vision Datasets (Ensembles de données Vision) dans la console Google Cloud. Sélectionnez votre projet lorsque vous y êtes invité.
Cliquez sur Nouvel ensemble de données, attribuez un nom à l'ensemble de données, sélectionnez le type de modèle que vous souhaitez entraîner, puis cliquez sur Créer un ensemble de données.
Dans l'onglet Import (Importer) de votre ensemble de données, importez vos images d'entraînement, une archive ZIP de vos images d'entraînement ou un fichier CSV contenant les emplacements Cloud Storage où vous les avez importées. Consultez la section Rassembler vos données d'entraînement.
Une fois la tâche d'importation terminée, utilisez l'onglet Images pour vérifier les données d'entraînement.
Si vous n'avez pas importé de fichier CSV, dessinez des cadres de délimitation autour des objets que vous souhaitez reconnaître et attribuez une étiquette à chacun d'eux pour chaque image.

Dans l'onglet Entraînement, cliquez sur Démarrer l'entraînement.

Attribuez un nom au modèle et sélectionnez le type de modèle Edge.

Configurez les paramètres d'entraînement suivants, qui régissent les performances du modèle généré:

Optimiser le modèle pour :

Configuration du modèle à utiliser. Vous pouvez entraîner des modèles plus rapides et plus petits lorsque la faible latence ou la petite taille de paquet sont importantes, ou des modèles plus lents et plus volumineux lorsque la précision est la plus importante.

Budget par heure de nœud

Durée maximale (en heures de calcul) à consacrer à l'entraînement du modèle. Plus le temps d'entraînement est long, plus le modèle est précis.

Notez que l'entraînement peut être terminé en moins de temps que celui spécifié si le système détermine que le modèle est optimisé et qu'un entraînement supplémentaire n'améliorerait pas la justesse. Seules les heures réellement utilisées vous sont facturées.

Durée d'entraînement typique
Ensembles très petits	1 heure
500 images	2 heures
1 000 images	3 heures
5 000 images	6 heures
10 000 images	7 heures
50 000 images	11 heures
100 000 images	13 heures
1 000 000 d'images	18 heures

3. Évaluez le modèle :

Une fois l'entraînement terminé, vous pouvez cliquer sur l'onglet Évaluer pour afficher les métriques de performances du modèle.

L'une des utilisations importantes de cette page est de déterminer le seuil de confiance le plus adapté à votre modèle. Le seuil de confiance représente le niveau de confiance minimum requis pour que le modèle attribue un libellé à une image. Vous pouvez déplacer le curseur du seuil de confiance pour voir l'effet des différents seuils sur les performances du modèle. Les performances du modèle sont mesurées à l'aide de deux métriques: la précision et le rappel.

Dans le contexte de la classification des images, la précision correspond au rapport entre le nombre d'images correctement libellées et le nombre d'images libellées par le modèle en fonction du seuil sélectionné. Lorsqu'un modèle présente une précision élevée, il attribue moins souvent des libellés de manière incorrecte (moins de faux positifs).

Le rappel correspond au rapport entre le nombre d'images correctement libellées et le nombre d'images dont le contenu aurait dû être libellé par le modèle. Lorsqu'un modèle présente un taux de rappel élevé, il n'attribue aucune étiquette moins souvent (moins de faux négatifs).

Votre cas d'utilisation déterminera si vous devez optimiser pour la précision ou le rappel. Pour en savoir plus, consultez le guide du débutant pour AutoML Vision et le guide sur l'inclusion dans le ML – AutoML.

Lorsque vous trouvez un seuil de confiance qui produit des métriques qui vous conviennent, notez-le. Vous utiliserez ce seuil de confiance pour configurer le modèle dans votre application. (Vous pouvez utiliser cet outil à tout moment pour obtenir une valeur de seuil appropriée.)

4. Publier ou télécharger votre modèle

Si vous êtes satisfait des performances du modèle et que vous souhaitez l'utiliser dans une application, vous avez trois options, parmi lesquelles vous pouvez choisir n'importe quelle combinaison: déployer le modèle pour la prédiction en ligne, publier le modèle dans Firebase ou télécharger le modèle et le regrouper avec votre application.

Déployer le modèle

Dans l'onglet Test et utilisation de votre ensemble de données, vous pouvez déployer votre modèle pour la prédiction en ligne, qui l'exécute dans le cloud. Cette option est décrite dans la documentation Cloud AutoML. Les documents de ce site traitent des deux options restantes.

Publier le modèle

En publiant le modèle dans Firebase, vous pouvez le mettre à jour sans publier de nouvelle version de l'application. Vous pouvez également utiliser Remote Config et A/B Testing pour diffuser dynamiquement différents modèles à différents ensembles d'utilisateurs.

Si vous choisissez de ne fournir le modèle qu'en l'hébergeant avec Firebase et de ne pas le regrouper avec votre application, vous pouvez réduire la taille de téléchargement initiale de votre application. Gardez à l'esprit, cependant, que si le modèle n'est pas regroupé avec votre application, aucune fonctionnalité liée au modèle ne sera disponible tant que votre application ne l'aura pas téléchargé pour la première fois.

Pour publier votre modèle, vous pouvez utiliser l'une des deux méthodes suivantes:

Téléchargez le modèle TF Lite à partir de la page Test et utilisation de votre ensemble de données dans la console Google Cloud, puis importez-le sur la page Modèle personnalisé de la console Firebase. Il s'agit généralement du moyen le plus simple de publier un seul modèle.
Publiez le modèle directement depuis votre projet Google Cloud sur Firebase à l'aide du SDK Admin. Vous pouvez utiliser cette méthode pour publier plusieurs modèles de manière groupée ou pour créer des pipelines de publication automatisés.

Pour publier le modèle avec l'API de gestion des modèles du SDK Admin:

Installez et initialisez le SDK.

Publiez le modèle.

Vous devez spécifier l'identifiant de ressource du modèle, qui est une chaîne semblable à l'exemple suivant:

projects/PROJECT_NUMBER/locations/us-central1/models/MODEL_ID

`PROJECT_NUMBER`	Numéro du projet du bucket Cloud Storage contenant le modèle. Il peut s'agir de votre projet Firebase ou d'un autre projet Google Cloud. Vous trouverez cette valeur sur la page "Paramètres" de la console Firebase ou dans le tableau de bord de la console Google Cloud.
`MODEL_ID`	ID du modèle, que vous avez obtenu à partir de l'API AutoML Cloud.

Python

# First, import and initialize the SDK.

# Get a reference to the AutoML model
source = ml.TFLiteAutoMlSource('projects/{}/locations/us-central1/models/{}'.format(
    # See above for information on these values.
    project_number,
    model_id
))

# Create the model object
tflite_format = ml.TFLiteFormat(model_source=source)
model = ml.Model(
    display_name="example_model",  # This is the name you will use from your app to load the model.
    tags=["examples"],             # Optional tags for easier management.
    model_format=tflite_format)

# Add the model to your Firebase project and publish it
new_model = ml.create_model(model)
new_model.wait_for_unlocked()
ml.publish_model(new_model.model_id)

Node.js

// First, import and initialize the SDK.

(async () => {
  // Get a reference to the AutoML model. See above for information on these
  // values.
  const automlModel = `projects/${projectNumber}/locations/us-central1/models/${modelId}`;

  // Create the model object and add the model to your Firebase project.
  const model = await ml.createModel({
    displayName: 'example_model',  // This is the name you use from your app to load the model.
    tags: ['examples'],  // Optional tags for easier management.
    tfliteModel: { automlModel: automlModel },
  });

  // Wait for the model to be ready.
  await model.waitForUnlocked();

  // Publish the model.
  await ml.publishModel(model.modelId);

  process.exit();
})().catch(console.error);

Télécharger et regrouper le modèle avec votre application

En regroupant votre modèle avec votre application, vous pouvez vous assurer que les fonctionnalités ML de votre application fonctionnent toujours lorsque le modèle hébergé par Firebase n'est pas disponible.

Si vous publiez le modèle et l'associez à votre application, celle-ci utilisera la dernière version disponible.

Pour télécharger votre modèle, cliquez sur TF Lite sur la page Test et utilisation de votre ensemble de données.

Étapes suivantes

Maintenant que vous avez publié ou téléchargé le modèle, découvrez comment l'utiliser dans vos applications iOS+ et Android.