在 [Day 02] Why MLOps — 從"地平說" 走向宇宙 我們提到了資料飛輪 (Data Flywheel) 代表的意義是更好的模型會使產品更好，而產品更好則會吸引更多使用者，更多使用者代表更多的資料，更多資料則又會讓模型變得更好，如此生生不息的循環下去。
在這次鐵人賽挑戰的最後 project 中，我們就要試著來建立一個實踐資料飛輪的應用。
首先，資料飛輪的概念就是藉由錯誤分析來了解模型的弱點並加以解決，如下圖：
在 2019 的 Tesla Autonomy Day 中，Andrej Karpathy 提到了特斯拉如何利用這樣的概念來改進自駕車的模型：
*圖片來源：Tesla Autonomy Day
可以看到他們藉由增加模型表現較差的資料 (例如隧道內的影像) 來使模型更加進步。
而這次的 project 啟發自 Daniel Bourke 在 Stanford CS 329S: Machine Learning Systems Design 給的部署教學，我們要建立一個名為 Ironbird 的台灣常見鳥兒分類模型。
其中模型使用 EfficientNetB0 作為 Backbone，並搭配 ImageNet 預訓練權重做 Transfer learning。
在這個 Project 使用 ImageNet 預訓練權重特別有效的原因在於 ImageNet 本身就包含了 59 種鳥類 (參考自Building a bird recognition app and large scale dataset with citizen scientists)
而我們使用的資料來源為 Kaggle 上的 300 Bird Species - Classification 資料集中的 10 種鳥兒：
其中所有的資料都是 224 X 224 X 3 的 jpg 圖片，資料夾的結構已經整理成可以利用 tf.keras.utils.image_dataset_from_directory 創造訓練、驗證 Dataset 的模式：
main_directory/
...class_a/
......a_image_1.jpg
......a_image_2.jpg
...class_b/
......b_image_1.jpg
......b_image_2.jpg
可以到其 Kaggle 頁面看看資料如何收集的。
值得注意的是這個訓練集並沒有平衡過，但每個種類都至少有 120 張訓練圖片，唯一有疑慮的地方在於資料中的雌雄比例很不平均，大部分收集到的圖片都是色彩鮮豔的雄鳥，因此模型在分類雌鳥時可能會有較差的表現，雖然這個模型並不會參與重大決策，但沒錯，我們有大機率得到一個有性別歧視的模型哈哈哈 (還記得 [Day 10] 模型達到商業指標的挑戰 — Test set performance 的殞落 提到的關鍵子集嗎 ?)。
我們的目標就是建立類似特斯拉的資料飛輪，所以將上圖修改之後可以得到我們的願景圖如下：
今天大概就先把大概的目標說明一下，明天再來說明怎麼實踐囉!
iThome鐵人賽
看影片追技術