Jetson Edge cihazının AI çıkarım ve işleme gücünü serbest bırakmadan önce, her zaman zaman alıcı çaba ve çok fazla kaynak girişi gerektiren bir ana sorun vardır, bu da veri seti etiketleme hazırlığıdır. Geleneksel olarak, görüntü verilerini manuel olarak etiketlemek model eğitimi için doğru olabilir ancak uzun bir süreç içinde olmalıdır. Autodistill, Grounded-SAM ve YOLOv8 ile, kenar geliştirme senaryoları için eğitim verilerini otomatik olarak etiketleyerek süreci basitleştirmenize yardımcı olabilir.
Roboflow’un Colab rehberi ile etiketleme kısmına başlamak oldukça kolay ve kenar dağıtımı için hazır bir PyTorch modeli oluşturabilirsiniz.
Veri Seti Hazırlığı
GPU ortamını kontrol ettikten ve gerekli tüm paketlerin kurulumunu tamamladıktan sonra, veri kaynaklarını ve önceden etiketlenmiş görüntüleri depolamak için görüntü ve video dizinleri oluşturabiliriz:
Gerçek hayattaki uygulamalarda, genellikle veri seti olarak orada bekleyen büyük bir görüntü hacmi yerine video akışından bazı önemli noktaları analiz etmek isteriz. Bu etiketleme kısmı için kullanıma hazır 10 video hazırladım. Yapmamız gereken ilk şey, her videodan her 10. kareyi kaydederek bu videoları görüntülere dönüştürmektir. Ardından, modelin değerlendirilmesi için kullanılacak ilk üç videoyu belirledim ve diğer yedi video eğitim kısmında kullanılacaktır.
import supervision as sv
from tqdm.notebook import tqdm
video_paths = sv.list_files_with_extensions(
directory=VIDEO_DIR_PATH,
extensions=["mov", "mp4"])
TEST_VIDEO_PATHS, TRAIN_VIDEO_PATHS = video_paths[:2], video_paths[2:]
for video_path in tqdm(TRAIN_VIDEO_PATHS):
video_name = video_path.stem
image_name_pattern = video_name + "-{:05d}.png"
with sv.ImageSink(target_dir_path=IMAGE_DIR_PATH, image_name_pattern=image_name_pattern) as sink:
for image in sv.get_video_frames_generator(source_path=str(video_path), stride=FRAME_STRIDE):
sink.save_image(image=image)Otomatik Etiketleme Görüntüsü
Etiketleme için ontolojiyi tanımlama kısmına geldiğimizde, temel modelin nasıl yönlendirildiğini, bunun veri setinize nasıl yansıdığını ve hedef modelinizin hangi nesneyi tespit edeceğini anlamak önemlidir. Roboflow’un orijinal veri kütüphanesindeki her nesne için yönlendirme adının yaygın kelimeler olması gerektiğini varsayıyorum, bu yüzden “araba” kullandım ve gerçekten işe yaradı.
from autodistill.detection import CaptionOntology
ontology=CaptionOntology({
"car": "vehicle"
})Ancak, “çöp”, “atık” gibi birkaç seçenekle karışıklık yaşıyorsanız ve hangi yönlendirmenin veri etiketleme için en iyi olduğunu anlamıyorsanız, benzer yönlendirmeler arasındaki performansı karşılaştırmak için blogu Autodistill Yönlendirmelerini CVevals ile Değerlendirme kontrol edin ve en iyi olanı seçin.
Bu süreci çalıştırdıktan sonra, örnek görüntülerde etiketlerle birlikte örnek çıktıyı alacağız.
Faydalar ve Sınırlamalar
Autodistill, bilgisayarla görme uygulamalarınız için önemli faydalar sağlar:
- Maliyet Verimliliği ve daha hızlı hız
- Tutarlılık: manuel etiketleme sırasında meydana gelebilecek insan hataları veya tutarsızlıkları azaltma
- İnsan Önyargısının Azaltılması
Ancak, otomatik etiketlemenin bazı sınırlamaları ve dikkate alınması gereken noktaları da vardır:
- Doğruluk: karmaşık veya ince görsel özelliklerin etiketlenmesi gereken durumlarda manuel etiketleme kadar doğru olmayabilir. İnsan incelemesi ve etiket iyileştirmesi bir çok daha verimli bir seçim olabilir.
- Model Bağımlılığı: bu yöntem, önceden eğitilmiş modellere dayanabilir, bu da etkinliğini bu modellerin kalitesine ve alaka düzeyine bağlı hale getirir.
NVIDIA Jetson Platformunda Model Dağıtımı
Özel senaryonuza göre autodistill’i nasıl kullanacağınıza karar verin ve PyTorch modelinizi aldıktan sonra, NVIDIA Jetson platformunda nasıl dağıtılacağını gösteren wiki’mizi kontrol etmeyi unutmayın ve TensorRT kullanarak çıkarım performansını artırma yöntemini de sağlayın! Bunu kontrol edin!
Seeed NVIDIA Jetson Ekosistemi
Seeed, NVIDIA Partner Network‘de kenar AI için bir Elite ortaktır. Daha fazla taşıyıcı kart, tam sistem cihazları, özelleştirme hizmetleri, kullanım durumları ve geliştirici araçları keşfedin Seeed’in NVIDIA Jetson ekosistemi sayfasında.
AI yeniliğinin ön saflarında bizimle birlikte olun! Keskin donanım ve teknolojinin gücünü kullanarak makine öğreniminin gerçek dünyada endüstriler arasında dağıtımını devrim niteliğinde değiştirin. Geliştiricilere ve işletmelere mevcut en iyi ML çözümlerini sağlama misyonumuzun bir parçası olun. Daha fazla kenar AI olasılıklarını keşfetmek için başarılı vakalar kataloğumuzu kontrol edin!
İlk adımı atın ve bu heyecan verici yolculuğun bir parçası olmak için bize bir e-posta gönderin: edgeai@seeed.cc!
Size uygun bir seçenek bulmak için en son Jetson Kataloğumuzu indirin. İhtiyaçlarınız için hazır Jetson donanım çözümünü bulamazsanız, lütfen özelleştirme hizmetlerimizi kontrol edin ve değerlendirme için yeni bir ürün talebi gönderin: odm@seeed.cc.