Bagian 2. Model ThinkBioT Dengan Google AutoML: 8 Langkah

2024 Pengarang: John Day | [email protected]. Terakhir diubah: 2024-01-30 09:55

ThinkBioT dirancang untuk menjadi "Plug and Play", dengan Model TensorFlow Lite yang kompatibel dengan Edge TPU.

Dalam dokumentasi ini kami akan membahas pembuatan spektogram, memformat data Anda, dan menggunakan Google AutoML.

Kode dalam tutorial ini akan ditulis dalam bash sehingga kompatibel dengan multi-platform.

Ketergantungan

• Namun sebelum memulai, Anda perlu menginstal Sox, program audio baris perintah yang kompatibel dengan perangkat Windows, Mac, dan Linux.
• Jika Anda menggunakan perangkat Windows, cara termudah untuk menjalankan skrip bash adalah melalui Git, jadi saya akan merekomendasikan dan mengunduh serta menginstalnya karena ini berguna dalam banyak hal,
• Untuk mengedit kode, gunakan editor favorit Anda atau instal NotePad++ untuk windows atau Atom untuk sistem operasi lain.

**Jika Anda sudah memiliki model TensorFlow atau ingin mencoba mentransfer pembelajaran dengan model yang sudah ada, lihat Dokumentasi Google Coral.

Langkah 1: Siapkan Bucket Penyimpanan Google Cloud

1. Login di akun gmail Anda (atau buat akun jika Anda tidak memiliki akun Google)

2. Buka halaman pemilih proyek dan buat proyek baru untuk file model dan spektogram Anda. Anda harus mengaktifkan penagihan untuk maju lebih jauh.

3. Kunjungi https://cloud.google.com/storage/ dan tekan tombol buat ember di bagian atas halaman.

4. Masukkan nama bucket yang Anda inginkan dan buat bucket yang menerima pengaturan default.

Langkah 2: Format Data Anda dan Buat Dataset Csv

Saya telah merancang skrip yang berguna untuk membuat file dataset.csv yang diperlukan untuk membuat model Anda. File kumpulan data menautkan gambar di keranjang Anda ke labelnya di kumpulan data..

1. Unduh repositori ThinkBioT dari GitHub dan

2. Salin file tbt_spect_example.sh dari direktori Tools ke folder baru di desktop Anda.

3. Tambahkan file audio yang ingin Anda gunakan dalam model Anda, letakkan di folder yang memiliki labelnya (yaitu apa yang Anda inginkan untuk diurutkan. Misalnya, jika Anda ingin mengidentifikasi anjing atau kucing, Anda dapat memiliki folder anjing, dengan suara gonggongan ATAU folder bernama kucing dengan suara kucing dll.

4. Buka tbt_spect_example.sh dengan Notepad++ dan ganti "yourbucknamename" di baris 54 dengan nama Google Storage Bucket Anda. Misalnya, jika ember Anda disebut myModelBucket, barisnya akan diubah menjadi

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

5. Jalankan kode dengan mengetikkan yang berikut di terminal Bash Anda, kode akan berjalan dan membuat file csv label Anda dan direktori bernama spektro-data di atas meja Anda dengan spektogram yang dihasilkan.

sh tbt_spect_example.sh

Langkah 3: Unggah Spektogram Anda ke Bucket Anda

Ada beberapa cara untuk mengupload ke Google Storage, yang paling mudah adalah dengan melakukan up load folder langsung;

1. Klik nama keranjang Anda di halaman Penyimpanan Google Anda.

2. Pilih tombol "UPLOAD FOLDER" dan pilih direktori "spectro-data/" yang dibuat pada langkah terakhir.

ATAU

2. Jika Anda memiliki banyak file, Anda dapat membuat direktori "spectro-data/" secara manual dengan memilih "BUAT FOLDER", lalu navigasikan ke dalam folder dan pilih "UPLOAD FILES". Ini bisa menjadi pilihan yang bagus untuk kumpulan data besar karena Anda dapat mengunggah spektogram dalam beberapa bagian, bahkan menggunakan banyak komputer untuk meningkatkan kecepatan unggah.

ATAU

2. Jika Anda adalah pengguna tingkat lanjut, Anda juga dapat mengunggah melalui Google Cloud Shell;

gsutil cp spectro-data/* gs://nama-bucket-anda/spectro-data/

Anda sekarang harus memiliki ember yang penuh dengan spektogram yang cantik!

Langkah 4: Unggah Csv Kumpulan Data Anda

Sekarang kita perlu mengunggah file model-labels.csv ke direktori "spectro-data/" Anda di Google Storage, pada dasarnya sama dengan langkah terakhir, Anda hanya mengunggah satu file, bukan banyak.

1. Klik nama keranjang Anda di halaman Penyimpanan Google Anda.

2. Pilih tombol UPLOAD FILE dan pilih file model-labels.csv yang Anda buat sebelumnya.

Langkah 5: Buat Kumpulan Data

1. Pertama, Anda perlu menemukan AutoML VIsion API, ini bisa sedikit rumit! Cara termudah adalah mencari "automl vision" di bilah pencarian penyimpanan Google Cloud Anda (foto).

2. Setelah Anda mengeklik tautan API, Anda harus mengaktifkan API.

3. Sekarang Anda akan berada di AutoML Vision Dashboard (gambar) klik tombol dataset baru dan pilih Label tunggal dan opsi 'Pilih file CSV'. Anda kemudian akan menyertakan tautan ke file model-labels.csv di keranjang penyimpanan Anda. Jika Anda telah mengikuti tutorial ini akan seperti di bawah ini

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

4. Kemudian tekan lanjutkan untuk membuat dataset Anda. Mungkin perlu beberapa waktu untuk membuatnya.

Langkah 6: Buat Model AutoML Anda

Setelah Anda menerima email yang memberi tahu Anda bahwa kumpulan data Anda telah dibuat, Anda siap untuk membuat model baru Anda.

1. Tekan tombol KERETA API
2. Pilih jenis model: Perkiraan latensi Edge dan Model: Edge TPU dan biarkan opsi lain sebagai default pada awalnya, sulit Anda mungkin ingin bereksperimen kemudian nanti.
3. Sekarang model Anda akan dilatih, itu akan memakan waktu dan Anda akan menerima email ketika siap untuk diunduh.

Catatan: Jika tombol latih Anda tidak tersedia, Anda mungkin mengalami masalah dengan kumpulan data Anda. Jika Anda memiliki kurang dari 10 dari setiap kelas (label) sistem tidak akan membiarkan Anda Melatih Model sehingga Anda mungkin harus menambahkan gambar tambahan. Sebaiknya lihat Video Google AutoML jika Anda memerlukan klarifikasi.

Langkah 7: Uji Model Anda

Setelah Anda menerima email penyelesaian model, klik tautan untuk kembali ke AutoML Vision API.

1. Sekarang Anda akan dapat melihat hasil Anda dan matriks kebingungan untuk model Anda.

2. Langkah selanjutnya adalah menguji Model Anda, pergi ke 'TEST & USE' atau 'PREDICT' anehnya sepertinya ada 2 pengguna GUI, keduanya telah saya gambarkan, tetapi opsi keduanya memiliki fungsi yang sama.

3. Sekarang Anda dapat mengunggah spektogram uji. Untuk membuat spektogram tunggal, Anda dapat menggunakan program tbt_make_one_spect.sh dari ThinkBioT Github. Cukup letakkan di folder dengan wav yang ingin Anda ubah menjadi spektogram, buka jendela Git Bash (atau terminal) dan gunakan kode di bawah ini, ganti nama file Anda.

sh tbt_make_one_spect.sh yourWavName.wav

4. Sekarang cukup unggah spektogram dan periksa hasilnya!

Langkah 8: Instal Model Anda Ke ThinkBioT

Untuk menggunakan model mengkilap baru Anda cukup letakkan model dan file txt ke folder CModel;

pi > ThinkBioT > ClassProcess > CModel

Sekarang Anda siap menggunakan ThinkBioT:)

**NB** Jika Anda menggunakan model Anda di luar kerangka kerja ThinkBioT, Anda perlu mengedit dokumen label Anda sebagai jumlah tambahan di awal setiap baris karena fungsi "readlabels" built-in interpreter tflite terbaru mengasumsikan mereka ada di sana. Saya telah menulis fungsi khusus dalam kerangka kerja ThinkBioT classclass_spect.py sebagai pekerjaan yang dapat Anda gunakan dalam kode Anda sendiri:)

def ReadLabelFile(file_path):

counter = 0 dengan open(file_path, 'r', encoding='utf-8') sebagai f: lines = f.readlines() ret = {} untuk line in lines: ret[int(counter)] = line.strip () counter = counter + 1 return ret