Problème: Obtenir un modèle de réseau neuronal d'apprentissage profond pour identifier des objets dans des photos.

Contexte: La classification (reconnaissance) des images est l'une des principales capacités des réseaux neuronaux profonds. Inception-v3 est l'un des modèles de réseaux neuronaux convolutionnels les plus populaires pour la reconnaissance d'objets dans les images. La reconnaissance d'images basée sur l'apprentissage profond est utilisée par les médecins pour identifier les tissus cancéreux dans les images médicales, par les voitures autonomes pour repérer les dangers de la route et par Facebook pour aider les utilisateurs à étiqueter leurs photos.

Type de modèle: Modèle de réseaux neuronaux convolutionnels profonds (Inception-v3)

Ce que nous avons fait: Nous avons déployé un modèle Inception-v3 à l'aide d'un SnapLogic Ultra Pipeline, un puissant pipeline de données à faible latence. (Le modèle a été entraîné sur un ensemble de données ImageNet contenant 1 000 types d'objets. SnapLogic permet une mise à l'échelle horizontale et verticale des modèles d'apprentissage profond et prend en charge l'accélération GPU.

Dans cette démo, prenez une photo d'un objet (par exemple, une tasse à café, une bougie, un pull, etc.) à l'aide de votre webcam (nous ne stockons pas les images de cette démo). La photo sera ensuite envoyée au SnapLogic Ultra Pipeline, où le modèle d'apprentissage profond analysera l'image. Le modèle produira alors un résultat dans lequel il vous dira quel objet il perçoit dans l'image et le degré de confiance qu'il a dans son interprétation. Ce processus prend quelques secondes, mais il peut être accéléré avec des GPU si nécessaire.