Créer des échantillons pour l'entraînement de Deep Learning

Les échantillons d'entraînement permettent de déduire les fragments d'image pour entraîner les modèles de Deep Learning dans Deep Learning Studio. Les fragments d'image sont de petites images contenant l'entité ou l'objet présentant un intérêt utilisé pour entraîner le modèle de Deep Learning. Créez des échantillons d'entraînement en effectuant l'étape Prepare training data (Préparer les données d’entraînement). Lorsque vous sélectionnez l'étape Prepare training data (Préparer les données d’entraînement), vous devez configurer le projet pour la collecte des échantillons.

Une fois que vous avez sélectionné l'option permettant de préparer l'entraînement, l'assistant de configuration du projet apparaît et vous guide tout au long du traitement. Une fois que vous avez créé le projet, suivez les étapes ci-après afin de configurer le projet pour l'entraînement.
1. Sélectionnez le projet Deep Learning Studio et ouvrez-le.
2. Dans la page de sélection des étapes, sélectionnez Prepare training data (Préparer les données d’entraînement) pour lancer la collecte des échantillons d'entraînement.

   Conseil :

   Une invite de configuration du projet pour la préparation des données d'entraînement apparaît s'il n'a pas été déjà configuré.

3. À l'invite, cliquez sur Yes (Oui) pour configurer le projet conformément à la section Configurer le projet pour l’entraînement de la rubrique Utiliser des projets Deep Learning Studio.
Le menu Prepare training data (Préparer les données d’entraînement) apparaît avec toutes les sous-étapes disponibles pour préparer les échantillons d'entraînement.
4. Cliquez sur la sous-étape Collect training samples (Collecter les échantillons d’entraînement).
5. Utilisez les outils de collecte pour sélectionner tous les échantillons d'entraînement dans l'unité de travail sélectionnée.
6. Cliquez sur Complete (Terminer) ou Complete and next (Terminer et suivant) pour collecter la prochaine unité de travail.

Une fois que l'unité de travail a été marquée comme terminée, elle ne peut plus être sélectionnée dans la sous-étape Collect training samples (Collecter les échantillons d’entraînement). Une fois que l'unité de travail est prête pour vérification, marquez-la comme terminée afin de changer le statut en Pending review (Révision en attente).

Attention :

Si l'unité de travail a été marquée comme terminée de manière incorrecte, elle doit être définie sur Queued (En file d'attente) dans la sous-étape Review training samples (Examiner les échantillons d’entraînement) pour être à nouveau disponible.

7. Cliquez sur la sous-étape Review training samples (Examiner les échantillons d’entraînement) pour réviser les échantillons.

   Remarque :

   Une unité de travail ne peut être révisée que si le collecteur l'a marquée comme terminée.

   Dans le tableau de bord Review training samples (Examiner les échantillons d’entraînement), l'unité de travail est sélectionnée et des informations sur la révision apparaissent à droite du tableau de bord.

   Remarque :

   Pour obtenir des informations sur une unité de travail, cliquez sur la carte ou l'entrée de la table afin d'afficher des informations spécifiques sur cette unité de travail.

8. Sélectionnez l'unité de travail pour commencer la révision des échantillons d'entraînement.
Dans la vue de carte, les informations sur les échantillons d'entraînement dans l'unité de travail sont répertoriées, avec l'utilisateur qui a créé les échantillons et l'horodatage de collecte des échantillons. Dans la vue tabulaire, l'unité de travail apparaît dans une liste avec les mêmes informations.
9. Cliquez sur le bouton Review this work unit (Examiner cette unité de travail).

   L'unité de travail s'ouvre avec tous les échantillons collectés à droite.

10. Cliquez sur des échantillons d'entraînement individuels dans la liste Training samples (Échantillons d'apprentissage) pour les examiner. Une fois qu'un échantillon a été sélectionné, les options Approve selected (Approuver les échantillons sélectionnés) et Reject selected (Rejeter les échantillons sélectionnés) apparaissent dans la boîte de dialogue.
Pour zoomer sur l'échantillon d'entraînement mis en évidence, sélectionnez l'option Visit mode (Mode visite). La carte effectue un zoom et se déplace sur l'échantillon d'entraînement mis en évidence.

Conseil :

Vous pouvez sélectionner et approuver plusieurs échantillons sans les vérifier de manière individuelle. Vous pouvez approuver ou refuser tous les échantillons.

Une fois que tous les échantillons d'entraînement ont été approuvés ou refusés, un message indique qu'ils ont tous été vérifiés.

11. Marquez l'unité de travail comme Completed (Terminé).

    La sous-étape retourne au tableau de bord, dans lequel vous pouvez vérifier la progression de toutes les unités de travail.

12. Cliquez sur le bouton Back (Retour) pour afficher le menu précédent.
13. Cliquez sur Manage image chips (Gérer les fragments d’image) une fois que le projet dispose d'un nombre suffisant d'échantillons d'entraînement.
14. Cliquez sur le bouton Export (Exporter) pour lancer l'exportation des fragments d'image en fonction des échantillons d'entraînement.
Les options du traitement sont disponibles pour indiquer l'emplacement d'exportation des fragments d'image, ainsi que des options de configuration supplémentaires sur les fragments d'image à créer.
15. Ajustez éventuellement les options de configuration et cliquez sur Export (Exporter).
La progression de la création des fragments d'image apparaît dans la sous-étape et une entrée indique les informations sur les fragments d'image avec des aperçus visuels de ces derniers.

Une fois que les fragments d'image ont été créés, l'étape suivante consiste à entraîner le modèle de Deep Learning, dans la sous-étape Train model (Entraîner le modèle).

En suivant ce processus, vous pouvez créer les échantillons d'entraînement et les fragments d'image pour l'entraînement du modèle de Deep Learning dans un processus complet de bout en bout. Plusieurs sous-étapes facultatives peuvent être utilisées dans le projet. Les sous-étapes supplémentaires sont fournies pour permettre la modification de projets existants lors de l'analyse. Les trois sous-étapes requises sont les suivantes :

• Collecter les échantillons d’entraînement
• Examiner les échantillons d’entraînement
• Gérer les fragments d’image

Lorsque les fragments d'image sont créés, ils sont disponibles pour l'entraînement de Deep Learning dans l'étape Train model (Entraîner le modèle). Si le modèle entraîné ne satisfait pas les conditions requises pour l'analyse, cette sous-étape peut être réexaminée. Vous pouvez modifier ou collecter des échantillons d'entraînement supplémentaires et créer des fragments d'image à utiliser dans le prochain entraînement de modèle.