華為不止有鴻蒙！教你快速入門華為免程式設計深度學習神器ModelArts

引言：

本文介紹利用華為ModelArts進行深度學習的影象分類任務，不用一行程式碼。

今年8月9日，在華為史上規模最大的開發者大會上，華為正式釋出全球首個基於微核心的全場景分散式OS——鴻蒙作業系統（HarmonyOS）。但你知道嗎？除了鴻蒙，華為還有一款好用的不能再好用的深度學習神器，ModelArts。甚至，不用程式設計，就能完成影象分類的任務。

比如下面用自動學習方法基於花卉資料集快速構建花卉識別應用，而且不用編寫一行程式碼。

服務配置

如果是第一次使用ModelArts服務，在使用之前需要給服務新增訪問金鑰，授權作業能夠訪問華為雲端儲存OBS，若沒有新增訪問金鑰，則無法建立作業。具體操作步驟如下：

1。 生成訪問金鑰：在使用者基本資訊>管理我的憑證頁面新增訪問金鑰，建立後金鑰會下載到本地。

2。 設定ModelArts全域性配置：在ModelArts服務頁面，新增訪問金鑰，以授權訪問OBS，使用ModelArts各項功能。

1. 生成訪問金鑰

登陸華為雲控制檯訪問賬號中心，使用者新增訪問金鑰並下載到本地儲存，操作步驟如下：

步驟 1 透過華為雲賬號訪問華為雲控制檯，點選控制檯右上角使用者賬號資訊，跳轉到“使用者中心”。請參考圖1。

圖1 “使用者中心”頁面

步驟 2 在“使用者中心>基本資訊”頁面點選“管理我的憑證”，跳轉到“我的憑證”頁面。請參考圖2。

圖2 “我的憑證”頁面

步驟 3 在“我的憑證”頁面切換到“管理訪問金鑰”頁籤，執行“新建訪問金鑰”操作，輸入登陸密碼和簡訊驗證碼後，金鑰會自動生成並下載到本地，檔名為“credentials。csv”。請參考圖3。

圖3 新增訪問金鑰

2. 設定ModelArts全域性配置

登陸ModelArts服務控制檯，在“全域性配置”中設定全域性訪問金鑰，具體操作步驟如下：

步驟 1 登陸ModelArts服務頁面，透過左側導航欄進入到“全域性配置”頁面。請參考圖4。

圖4 全域性配置介面

步驟 2 執行“新增訪問金鑰”操作，輸入“credentials。csv”檔案中的“Access Key”和“Secret Access Key”資訊，執行確定操作，完成全域性金鑰的設定。請參考圖5。

圖5 新增訪問金鑰

使用自動學習構建花卉識別應用

這章介紹如何標註花卉資料、並進行模型訓練和部署，以下是操作步驟。

1. 建立影象分類專案

步驟 1 建立一個OBS桶，本案例中將桶命名為ai-course-001，同時在建立的OBS桶下建立資料夾/automl/flowers。

步驟 2 進入ModelArts管理控制檯介面。單擊左側導航欄的“自動學習”，進入“自動學習”介面。請參考圖7。

圖7 自動學習介面

步驟 3 點選“影象分類”建立專案按鈕，建立自動學習>影象分類專案，自定義專案名稱（本例輸入exeML-flowers），訓練資料選擇OBS路徑/ai-course-001/automl/flowers/（flowers目錄是一個空目錄即可），點選“建立專案”完成影象分類專案建立。請參考圖8。

圖8 建立專案

2. 下載資料集

點選此處下載資料集壓縮包至本地。

3. 圖片標註

步驟 1 準備資料集。找到本地下載好的資料集壓縮包，然後解壓。資料集資料夾名稱是flowers_recognition，訓練集位於flowers_recognition\train目錄下，共4個花卉類別，每個類別10張圖片。測試集位於flowers_recognition\test目錄下。

該資料集包含的花朵及其類別如下圖所示：

步驟 2 頁面會自動跳轉到資料標註介面。點選下圖中的“新增圖片”按鈕，新增本地的訓練集。

圖9 新增圖片

步驟 3 標註圖片，給圖片打標籤。

進入“未標註”頁面。批次選中相同類別的圖片，然後選擇標籤（如果標籤不存在，需要手動輸入），最後點選“確定”按鈕。如下圖所示（如果對操作流程不熟悉，可以檢視右上角的“操作指導”）：

圖10 選擇標籤

“全部標籤”中列舉了所有的標籤，以及每個標籤下的圖片數量，見圖10 選擇標籤。

步驟 4 校驗圖片標籤。完成所有圖片標註後，進入“已標註”頁面。如果每個類不是10張圖片，說明標註有誤，可以在“已標註”頁面修改標籤。如果標註正確，可以跳過此步驟。

點選圖片右下角按鈕，可以檢視圖片的標籤，如下圖所示：

如果發現標籤不正確，可以選中圖片，重新選擇標籤。

4. 模型訓練

在“資料標註”介面中，首先設定訓練時長為0。1（減小訓練時長的同時，可能會降低模型精度），然後點選“開始訓練”按鈕，即可開始訓練。如下圖所示：

5. 模型部署

在“模型訓練”頁面等待訓練完成（不超過6分鐘），訓練完成後，可以檢視模型的精度：

點選“部署”按鈕，將模型部署為一個線上服務：

6. 服務測試

在“部署上線”頁面，等待服務部署成功。部署成功後，點選“上傳本地圖片”按鈕，上傳一張本地的測試圖片（從測試集中選取）。如下圖所示：

點選“預測”按鈕進行預測：

可以看到預測結果：

7. 關閉服務

在“部署上線”頁面，點選“停止”按鈕，停止線上服務：

至此，花卉識別應用實驗完成。

結束語：

謝謝大家的閱讀。作為一個具有10多年網際網路，大資料的技術開發者。近十年工作，主要在從事大資料架構工作，涉及人工智慧開發。