Agrega IA a tus aplicaciones fácilmente con Azure AI Essentials

Agrega IA a tus aplicaciones fácilmente con Azure AI Essentials

Tabla de contenidos:

1. Introducción a Azure AI Essentials
2. Conceptos fundamentales para crear aplicaciones con IA en Azure 2.1 Uso de APIs y SDKs 2.2 Creación de aplicaciones sin escribir código
3. Creación de una aplicación de detección de objetos
4. Uso de modelos de detección de objetos 4.1 Aplicaciones en el ámbito automotriz 4.2 Inspección de maquinaria 4.3 Gestión de inventario 4.4 Seguimiento de jugadores y balones en deportes
5. Aplicación de los conceptos a otros tipos de modelos de IA 5.1 Clasificación de imágenes 5.2 Integración de Lenguaje, Habla y Decisiones en aplicaciones
6. Integración de modelos de IA pre-entrenados
7. Creación de un recurso de Computer Vision en Azure 7.1 Obtención de claves de suscripción y punto de acceso
8. Uso de modelos pre-entrenados mediante la API de Computer Vision 8.1 Instalación de la biblioteca del cliente 8.2 Obtención de respuestas en formato JSON
9. Funcionalidades ofrecidas por los modelos de Computer Vision
10. Creación de modelos personalizados con Custom Vision 10.1 Uso de imágenes de entrenamiento 10.2 Etiquetado y creación de bounding boxes en el Custom Vision portal 10.3 Entrenamiento, prueba y publicación del modelo
11. Refinamiento del modelo y evitación de underfit y overfit 11.1 Evaluación del rendimiento del modelo 11.2 Ajuste del umbral de probabilidad
12. Implementación del modelo en una aplicación 12.1 Publicación del modelo y obtención de un endpoint de predicción 12.2 Exportación del modelo para su uso en dispositivos edge 12.3 Despliegue en el edge mediante contenedores Docker
13. Conclusiones y próximos pasos

Detección de objetos en imágenes y videos con Azure AI Essentials

En este artículo, te mostraremos cómo crear una aplicación que puede detectar objetos en imágenes o videos utilizando Azure AI Essentials. Los modelos de detección de objetos tienen muchas aplicaciones, como permitir que los autos autónomos detecten objetos a su alrededor, ayudar en la inspección de maquinaria, optimizar la gestión de inventario e incluso realizar un seguimiento de los movimientos de los jugadores y el balón en un juego de baloncesto. Aunque utilizaremos la detección de objetos como ejemplo principal, los conceptos que aprenderás también se pueden aplicar a otros tipos de modelos de IA, como la clasificación de imágenes o la incorporación de capacidades de lenguaje, habla y decisiones en tus aplicaciones.

Para comenzar, necesitarás crear un recurso de Computer Vision en Azure. Este recurso te proporcionará las claves de suscripción y el punto de acceso necesarios para hacer llamadas a la API de Computer Vision. A través de esta API, podrás utilizar modelos pre-entrenados para la detección de objetos. La biblioteca del cliente de Azure está disponible en varios lenguajes de programación y te permite acceder a todas las funcionalidades de Computer Vision sin tener que lidiar directamente con las interacciones de bajo nivel con el servidor.

Cuando llamas a la API de Computer Vision, recibirás una respuesta en formato JSON que contiene información detallada sobre los objetos detectados en la imagen. Cada objeto se describe mediante una bounding box que indica su posición en la imagen, así como un puntaje de confianza que muestra el nivel de certeza con el que se ha identificado el objeto. Además de la detección de objetos, los modelos pre-entrenados de Computer Vision también proporcionan información adicional sobre la imagen, como etiquetas, una descripción completa de la escena y la detección de contenido inapropiado.

En muchos casos, los modelos pre-entrenados serán suficientes para tus necesidades. Sin embargo, es posible que te interese crear un modelo personalizado optimizado para un dominio y caso de uso específicos. Por ejemplo, una empresa minorista puede querer entrenar un modelo para detectar productos específicos que venden. Con Azure Cognitive Services, puedes crear un modelo personalizado en cuestión de minutos, aprovechando la seguridad incorporada para tus datos y modelos entrenados.

El proceso de creación de un modelo personalizado con Custom Vision comienza recopilando imágenes de entrenamiento. Se recomienda tener al menos 30 imágenes de Alta calidad por objeto y una cantidad similar de imágenes por objeto para aumentar la precisión del modelo. Es importante asegurarse de obtener un conjunto diverso de imágenes que muestren objetos de diferentes tamaños, en diferentes contextos y con una variedad de fondos, condiciones de iluminación y ángulos de cámara.

Una vez que tienes el conjunto de entrenamiento, puedes acceder al portal de Custom Vision para crear un proyecto de detección de objetos y cargar tus imágenes. En el portal, deberás dibujar una bounding box alrededor de cada objeto en las imágenes y etiquetarlo con el nombre correspondiente. Posteriormente, podrás entrenar, probar y publicar el modelo. Es importante tener en cuenta que la creación de un modelo óptimo es un proceso iterativo, en el que se puede ajustar o añadir más imágenes al conjunto de entrenamiento y volver a entrenar el modelo para mejorar su rendimiento.

Al evaluar tu modelo, es importante tener en cuenta las métricas de rendimiento, como la precisión y la exhaustividad. Además, puedes ajustar el umbral de probabilidad para controlar el nivel de confianza necesario para considerar una predicción como correcta. Un umbral alto tiende a aumentar la precisión pero disminuir la exhaustividad, lo que significa que se pueden obtener algunos falsos negativos. Por otro lado, un umbral bajo aumentará la exhaustividad pero puede generar más falsos positivos. El umbral adecuado dependerá de las necesidades de tu proyecto.

Una vez que estés satisfecho con tu modelo, tienes dos opciones para agregarlo a una aplicación. Puedes publicar el modelo, obtener un endpoint de predicción y llamar a ese endpoint desde tu aplicación, lo cual es recomendable si estás optimizando el rendimiento. Sin embargo, si necesitas baja latencia para tu caso de uso, puedes exportar el modelo para ejecutarlo en un dispositivo edge. Azure Cognitive Services, incluyendo Custom Vision, admiten contenedores Docker, lo que te permite desplegar tu modelo en cualquier lugar donde se admita Kubernetes.

En resumen, agregar inteligencia a tus aplicaciones con Azure AI Essentials es sencillo y flexible. Puedes utilizar modelos pre-entrenados, como los proporcionados por Computer Vision, o crear tus propios modelos personalizados con Custom Vision. Azure Cognitive Services te ofrece la libertad de desarrollar a tu manera, ya sea sin escribir código utilizando interfaces visuales o en el lenguaje de programación de tu elección. Además, puedes implementar tus modelos en la nube, en el edge o en tus propias instalaciones, según tus necesidades. ¡Comienza a explorar las capacidades de inteligencia artificial en Azure y lleva tus aplicaciones al siguiente nivel! Highlights:

• Aprende los conceptos fundamentales para crear aplicaciones con IA en Azure
• Descubre cómo utilizar modelos de detección de objetos en imágenes y videos
• Amplía tus conocimientos sobre otros tipos de modelos de IA, como la clasificación de imágenes y la incorporación de lenguaje y habla en aplicaciones
• Integra fácilmente modelos pre-entrenados o crea tus propios modelos personalizados con Azure Cognitive Services
• Aprovecha la flexibilidad de despliegue en la nube, en el edge o en tus propias instalaciones con Azure AI Essentials

FAQ:

Q: ¿Cuántas imágenes de entrenamiento se recomienda tener por objeto en Custom Vision? A: Se recomienda tener al menos 30 imágenes de alta calidad por objeto en Custom Vision.

Q: ¿Qué información proporcionan los modelos pre-entrenados de Computer Vision? A: Los modelos pre-entrenados de Computer Vision proporcionan etiquetas, una descripción completa de la escena, detección de contenido inapropiado y más información sobre la imagen.

Q: ¿Qué es un umbral de probabilidad en la detección de objetos? A: El umbral de probabilidad es el nivel de confianza necesario para considerar una predicción como correcta. Un umbral alto aumenta la precisión pero disminuye la exhaustividad, mientras que un umbral bajo hace lo contrario.

Q: ¿En qué casos es recomendable exportar el modelo en lugar de llamar a un endpoint de predicción? A: Es recomendable exportar el modelo cuando se necesita baja latencia en un dispositivo edge.

Recursos:

• Azure AI Essentials
• Azure Cognitive Services
• Custom Vision
• Computer Vision API