Microsoft AI - Custom Vision in C#
概述
前面一篇 Microsoft AI – Custom Vision 中，我们介绍了 Azure 认知服务中的自定义影像服务：Custom Vision，也介绍了如果通过这个在线服务，可视化的完成项目创建、数据集上传和标注、模型训练、模型评估和测试。我们也提到，除了可以使用可视化在线操作的方式，Custom Vision 也提供了 SDK 来完成整个机器学习过程，两种语言供选择：C# 和 Python，今天我们针对 C# 版本来做一次实际开发操作。
开发过程
准备工作
C# Custom Vision SDK 在 GitHub 开源：Microsoft/Cognitive-CustomVision-Windows，这个 SDK 主要分为两部分：Prediction 和 Training，如果不想下载 SourceCode 自己去编译，也可以直接在 VS 中通过 Package Management 安装这两部分的 Nuget package：
- Microsoft.Cognitive.CustomVision.Prediction Install-Package Microsoft.Cognitive.CustomVision.Prediction -Version 1.2.0
- Microsoft.Cognitive.CustomVision.Training Install-Package Microsoft.Cognitive.CustomVision.Training -Version 1.2.0
实际开发
接下来我们创建一个 WPF 工程来实际操作整个 Custom Vision SDK 使用过程：
1. 通过 Nuget Package Management 的安装方式，安装 Prediction 和 Training 两个包，地址如上面准备工作中所示；来看一下包里的 namespace 组成：
除此之外，还需要安装 Microsoft.Rest.ClientRuntime 的 Nuget，因为 Custom Vision SDK 依赖于它，地址：Install-Package Microsoft.Rest.ClientRuntime -Version 2.3.11
2. Nuget 包安装完成后，在代码中引入以下 Namespace：
using Microsoft.Cognitive.CustomVision.Training; using Microsoft.Cognitive.CustomVision.Prediction; using Microsoft.Cognitive.CustomVision.Training.Models;
3. 创建一个 Custom Vision Project：
其中 ApiKey 需要替换为开发者在 CustomVision.ai 网站获取的 Training Key；另外 CreateProject 创建时，名字是必填的，描述和域都是选填的；域的类型是 GUID，我翻看了 SDK Doc 和源代码，没有发现对域的 GUID 取值的任何描述，后来在 CustomVision.ai 通过网页调试方法找到了 Domains 字段对应的 GUID，在这里也分享给大家；来看一下代码实现和实现的结果吧：
TrainingApi trainingApi = new TrainingApi() { ApiKey = "replace with your api key" }; Project demoProject = trainingApi.CreateProject( "CsharpDemoProject01", "It's description of our demo project.", new System.Guid("0732100f-1a38-4e49-a514-c9b44c697ab5"));
| 项目类型 | GUID |
| General | ee85a74c-405e-4adc-bb47-ffa8ca0c9f31 |
| Food | c151d5b5-dd07-472a-acc8-15d29dea8518 |
| Landmarks | ca455789-012d-4b50-9fec-5bb63841c793 |
| Retail | b30a91ae-e3c1-4f73-a81e-c270bff27c39 |
| Adult | 45badf75-3591-4f26-a705-45678d3e9f5f |
| General(compact) | 0732100f-1a38-4e49-a514-c9b44c697ab5 |
| Landmarks(compact) | b5cfd229-2ac7-4b2b-8d0a-2b0661344894 |
| Retail(compact) | 6b4faeda-8396-481b-9f8b-177b9fa3097f |
4. 给项目的训练数据集添加标签：
示例中我们添加了两个标签 airplane 和 alarmclock
// create two tags in our demo project var airplaneTag = trainingApi.CreateTag(demoProject.Id, "airplane"); var alarmclockTag = trainingApi.CreateTag(demoProject.Id, "alarmclock");
5. 上传图片数据集到项目中：
我们在项目 Assets 文件夹存放了两个分类，每个分类各五张图片，示例代码如下：
string[] images = new string[] { "001.jpg", "002.jpg", "003.jpg", "004.jpg", "005.jpg"}; foreach (var image in images) { var storageFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri(string.Format("ms-appx:///Assets/airplane/{0}", image), UriKind.RelativeOrAbsolute)); using (var stream = await storageFile.OpenAsync(Windows.Storage.FileAccessMode.Read)) { trainingApi.CreateImagesFromData(demoProject.Id, stream.AsStream(), new List<string>() { airplaneTag.Id.ToString() }); } } foreach (var image in images) { var storageFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri(string.Format("ms-appx:///Assets/alarmclock/{0}", image), UriKind.RelativeOrAbsolute)); using (var stream = await storageFile.OpenAsync(Windows.Storage.FileAccessMode.Read)) { trainingApi.CreateImagesFromData(demoProject.Id, stream.AsStream(), new List<string>() { alarmclockTag.Id.ToString() }); } }
验证一下我们添加的标签和数据集
6. 数据集准备完毕，开始训练模型
var iteration = trainingApi.TrainProject(demoProject.Id); while (iteration.Status == "Training") { iteration = trainingApi.GetIteration(demoProject.Id, iteration.Id); } iteration.IsDefault = true; trainingApi.UpdateIteration(demoProject.Id, iteration.Id, iteration);
训练完成后，我们看看训练结果
7. 模型训练完毕，开始做模型验证
ApiKey 替换为你在 Custom Vision 对应的 Prediction Key，我们使用了一张 airplane 的图片作为测试输入，看看代码和结果：
PredictionEndpoint endpoint = new PredictionEndpoint() { ApiKey = "replace with your prediction key" }; var testFile = await StorageFile.GetFileFromApplicationUriAsync(new Uri(string.Format("ms-appx:///Assets/airplane.jpg", ""), UriKind.RelativeOrAbsolute)); using (var testStream = await testFile.OpenAsync(Windows.Storage.FileAccessMode.Read)) { var result = endpoint.PredictImage(demoProject.Id, testStream.AsStream()); }
可以看到，airplane 的概率为 0.98，alarmclock 为 0.01；这个结果符合我们对模型的预期。
总结
到这里就完成了 Custom Vision C# 的实现过程，因为只是简单 Demo 演示，所以训练数据集只取了 10 张图片，只是简单的把代码的实现过程讲解了一下。大家如果感兴趣，可以结合这个基本过程，把上传标签和图片的过程做的更加易交互，比如选取文件夹批量上传和管理等；模型训练的过程也可以再细化，通过代码返回结果监控训练的结果；模型测试也可以把测试结果更直观的反映出来，或者批量处理测试数据，更丰富的展示和管理测试结果，评估数据模型。
非常欢迎大家和我交流 Custom Vision 和 Azure 认知服务相关的技术问题，谢谢大家！