دليل خطوة بخطوة لـ Computer Vision AutoML في Microsoft Azure

بمجرد أن نؤكد أن كل شيء يبدو على ما يرام، يمكننا المضي قدمًا لتدريب النموذج. هناك خياران متاحان في أداة Custom Vision. الأول هو أسلوب التدريب السريع والثاني هو التدريب المتقدم، الذي يسمح لنا بتحديد ميزانية التدريب، أي عدد الساعات التي سيتدرب فيها النموذج.

قررنا اختبار النموذج بعد ساعة واحدة فقط من التدريب. والنتائج كالتالي:

الشكل 4. مقاييس أداء النموذج مع عتبات التنبؤ الافتراضية

قد يكون اكتشاف جميع العيوب الممكنة، على حساب عدد أكبر من الإيجابيات الكاذبة، أكثر أهمية من الحصول على ثقة أكبر في التنبؤات. يوفر Custom Vision إمكانية ضبط عتبات التنبؤ بمرونة لتحسين أداء النموذج. في حالتنا، نفضل معدل استدعاء أعلى على معدل دقة مرتفع. من المهم عدم خفض هذه العتبات كثيرًا لأن أداء النموذج سيتدهور بشكل كبير. على سبيل المثال، سيؤدي وجود عتبة احتمالية منخفضة إلى زيادة عدد الإيجابيات الكاذبة. إذا كان من المفترض نشر النموذج في بيئة إنتاجية، فلا يمكننا إيقاف خط الإنتاج عند كل اكتشاف إيجابي كاذب ينتجه النموذج. إن إيجاد التوازن هو المفتاح.

بالنسبة للمشكلة التي نعمل عليها الآن، قررنا تحديد مؤشرات الأداء الرئيسية لدينا على النحو التالي:

• المقياس الرئيسي للتحسين هو mAP – لا يمكن أن يكون أقل من 85%
• الاستدعاء والدقة مهمان بالقدر ذاته، ويجب أن يبقيا معاً فوق 80%

بعد بضع دقائق من التعديل على العتبات والنظر في تنبؤات النموذج، نصل إلى العتبات التالية:

الشكل 5. عتبات التنبؤ الافتراضية (يسار) والمعدّلة (يمين)

أدى خفض كلا الحدّين إلى 25% إلى النتائج التالية:

الشكل 6. مقاييس أداء النموذج بعد تعديل عتبات التنبؤ

مقياسنا الرئيسي مُرضٍ – حيث يبلغ متوسط الدقة (mAP) 86.8%. كما أن الدقة والاستدعاء كلاهما أعلى من 80%، وهو أمر رائع أيضاً. وللتأكد من إمكانية إجراء مزيد من التحليل على بيانات الاختبار، يمكن تحميل صور جديدة إلى أداة Custom Vision وفحص التنبؤات.

الشكل 7. توقعات النموذج على بيانات غير مرئية

في هذا المقال عرضنا مدى سهولة وسرعة بناء نموذج رؤية حاسوبية للكشف عن الأجسام. وقد منحنا Azure Custom Vision نموذجًا يمكن لعملائنا تقييمه بسرعة دون الحاجة إلى مهندسي MLOps. كما منحنا خط أساس متينًا لاختبار نماذجنا الخاصة مقارنة به.