從前面幾篇的介紹, 我們手動安裝所需要的環境(包含k8s、jupyterhub、MLFlow、Seldon等工具)才能完成training、tracking與serving的任務, 準備這些環境需要整合軟體與硬體，較有經驗的工程師需要至少半天以上才能完成環境設定，較無經驗的工程師單就環境設定可能就需要數個工作天專心設定與測試，整個流程相當繁瑣且耗時.

接下來要說明第四個範例
在Day 1的示意圖中提到從training、tracking到serving. 而第四個範例的重點會以電腦視覺中的物件辨識為主題, 因此將會以Labeling、Training到Serving進行說明, 示意圖如下:

Nilvana AI平台

我們會使用已整合好且容易上手的Nilvana物件辨識工具, Nilvana的主要功能簡述如下:

• Dejavu
  • 開發與整合了豐富的AI應用程式庫，還提供監測介面掌控系統運作情形。
• Nilvana Vision Studio
  • 一站滿足省去尋找工具的時間，支援多人共筆、權限管控、機器自動標註、多人即時協同標註、資料擴增前處理、模型訓練及推論等強大功能，並可支援多種資料集格式。
• Face Enrollment
  • 快速又簡單的登錄人臉，只需要名字和幾張照片，就可以開始辨識臉部。
• Deep Detector
  • 在邊緣裝置快速的拍攝與標註照片，並可立即進行推論。

伊甸基金會口罩臉孔資料庫簡介

因為疫情的關係, 戴口罩已變成現在生活的日常, 現在防疫二級的規定是只要外出就要戴口罩. 因此接下來說明的情境是訓練出一個AI模型來判斷進出者是否有戴口罩, 讓我們可以做好防疫的第一關.

伊甸基金會已釋出口罩臉孔資料庫開放下載, 可以點選這個連結進行下載.

該資料庫是開源資料庫, 資訊如下：

• 標記格式：PASCAL VOC
• 圖片總張數：682 張
• 標記種類與標記數量
  • good（有正確戴好口罩）3,129 個
  • none（臉部露出鼻孔沒有戴好口罩）126 個
  • bad（臉部沒有戴上口罩）667 個

檔案下載下來之後是一個壓縮檔, 解開壓縮檔之後會有兩個目錄

• images: 影像檔
• labels: 標註檔

以上說明第四個範例的工具與資料集, 下一篇會說明機器視覺與影像辨識.

參考資料

Nilvana官網: https://nilvana.tw/
伊甸基金會口罩臉孔資料庫:https://www.facebook.com/chenghsun.tseng/posts/2836741379682495