Problem: Erstellung eines Deep-Learning-Modells für ein neuronales Netzwerk zur Identifizierung von Objekten in Fotos.

Der Kontext: Die Bildklassifizierung (Erkennung) ist eine der wichtigsten Fähigkeiten von tiefen neuronalen Netzen. Inception-v3 ist eines der beliebtesten Modelle für Faltungsneuronale Netze zur Erkennung von Objekten in Bildern. Deep-Learning-gestützte Bilderkennung wird von Ärzten eingesetzt, um Krebsgewebe in medizinischen Bildern zu identifizieren, von selbstfahrenden Autos, um Gefahren im Straßenverkehr zu erkennen, und von Facebook, um Nutzern bei der Kennzeichnung von Fotos zu helfen.

Modell-Typ: Tiefes Faltungsneuronales Netzmodell (Inception-v3)

Was wir getan haben: Wir haben ein Inception-v3-Modell mit einer SnapLogic Ultra Pipeline, einer leistungsstarken Datenpipeline mit geringer Latenz, bereitgestellt. (Das Modell wurde auf einem ImageNet-Datensatz mit 1.000 Objekttypen trainiert. SnapLogic bietet horizontale und vertikale Skalierung für Deep Learning-Modelle und unterstützt GPU-Beschleunigung.

In dieser Demo nehmen Sie ein Foto eines Objekts (z. B. eine Kaffeetasse, eine Kerze, einen Pullover usw.) mit Ihrer Webcam auf (wir speichern Ihre Bilder aus dieser Demo nicht). Das Foto wird dann an die SnapLogic Ultra Pipeline weitergeleitet, wo das Deep Learning-Modell das Bild analysiert. Das Modell liefert dann eine Ausgabe, in der es Ihnen mitteilt, welches Objekt es auf dem Bild wahrnimmt und wie sicher es in seiner Interpretation ist. Dieser Prozess dauert ein paar Sekunden, kann aber bei Bedarf mit GPUs beschleunigt werden.