AI图像识别：从边缘到云端实时推断设置演示

本篇文章向大家介绍《AI图像识别：从边缘到云端实时推断设置演示》，主要包括，具有一定的参考价值，需要的朋友可以参考一下。

在人工智能和机器学习领域，图像识别技术正变得日益重要。它不仅在安防监控、自动驾驶等传统行业发挥着关键作用，也在零售、医疗、制造业等新兴领域展现出巨大的应用潜力。AI/ML 图像识别的核心优势在于其能够自动化地从图像中提取信息，进行分类、识别和分析，从而极大地提升了工作效率和决策质量。 本文将带您深入了解如何设置一个 AI 驱动的图像识别演示，实现从边缘到云端的实时推断，并提供详细的步骤指导和代码示例。

关键点

理解 AI/ML 图像识别从边缘到云端的基本概念。

掌握设置实时推断演示所需的步骤。

熟悉必要的代码和指令。

了解如何在 Red Hat OpenShift 上部署和配置应用程序。

AI图像识别：边缘到云端的实时推断

AI/ML 图像识别技术概述

AI/ML 图像识别技术利用人工智能和机器学习算法，使计算机能够像人类一样“看”懂图像。边缘计算是指将计算和数据存储推向网络边缘，使其更靠近数据源，从而减少延迟和带宽需求。

云端计算则提供强大的计算和存储资源，用于训练复杂的模型和进行大规模数据分析。

本文重点探讨如何将 AI/ML 图像识别技术与边缘计算和云端计算相结合，构建一个高效、实时的图像识别系统。通过结合边缘计算的低延迟和云端计算的强大能力，我们可以实现各种各样的应用场景，例如：

• 智能监控： 在摄像头端进行初步的图像分析和识别，只有当检测到异常情况时才将数据上传到云端，从而降低带宽成本和保护隐私。
• 自动驾驶： 实时识别道路标志、行人和其他车辆，实现安全可靠的自动驾驶。
• 零售分析： 分析顾客的购物行为和偏好，优化产品布局和营销策略。
• 医疗诊断： 辅助医生进行图像分析，提高诊断的准确性和效率。

实时推断演示：准备工作

在开始设置实时推断演示之前，需要做好以下准备工作：

1. Red Hat OpenShift 应用程序服务命令行界面（RHODAS CLI）

   • 这是用于与 Kafka 交互的工具。

     

     使用以下命令安装 CLI：

     <code>curl -s -o rhocas-install.sh https://raw.githubusercontent.com/redhat-developer/app-services-cli/main/scripts/install.sh && bash rhocas-install.sh</code>

   • 将 CLI 添加到系统路径中。

2. Red Hat OpenShift 命令行界面（oc CLI）

   • 这是用于与 OpenShift 交互的工具。使用以下命令安装 CLI：

     <code>curl -s -o oc-install.sh https://raw.githubusercontent.com/redhat-developer/app-services-cli/main/scripts/oc_install.sh && bash oc-install.sh</code>

   • 将 CLI 添加到系统路径中。

3. JQ JavaScript manipulation tool

   • 这是一个用于处理 JSON 数据的工具。下载地址: https://stedolan.github.io/jq/download/

4. Red Hat 账户

   • 如果您还没有 Red Hat 账户，请注册一个免费账户：https://console.redhat.com。

5. OpenShift 集群

   • 您需要一个具有管理员权限的 OpenShift 集群。如果您是 Red Hat 员工或合作伙伴，可以使用 RHPDS。 其他人可以通过以下说明创建一个：https://console.redhat.com。

完成以上准备工作后，您就可以开始设置实时推断演示了。

安装 Open Data Hub Operator

Kubernetes Operator 是一种将人工运维知识编码到容器中的方法。它们简化了 Kubernetes 上运行应用程序的安装、维护、升级、备份和恢复等操作。

1. 登录到 OpenShift 集群，并切换到管理员视图。

   

   点击“Operators”->“OperatorHub”。

2. 在 OperatorHub 中搜索 “Open Data Hub Operator”，并按照屏幕上的提示进行安装。
3. 安装完成后，您应该能够在“Installed Operators”列表中看到 Open Data Hub Operator。

接下来，我们将安装 Seldon Operator。

1. 在 OperatorHub 中搜索 “Seldon Operator”，并按照屏幕上的提示进行安装。
2. 安装完成后，您应该能够在“Installed Operators”列表中看到 Seldon Operator。

提示: 安装Kubernetes Operators能够帮助自动化管理相关应用

配置 OpenShift 项目

在 OpenShift 中，项目是用于组织和隔离应用程序的命名空间。我们需要创建一个新的项目，用于部署图像识别应用程序。

1. 打开 OpenShift Web 控制台，并使用管理员权限登录。

2. 创建一个新的项目，名称为“a-producer”。

   • 执行指令 oc new-project a-producer
3. 删除资源限制： oc delete limits ai-workshop-core-resource-limits

完成项目创建后，我们需要复制登录命令。

1. 复制并粘贴到控制台。这将用于连接到您的远程 OpenShift 集群，然后您就可以开始工作了

下载并配置演示文件

该演示所需的所有代码和文档都可在GitHub 找到。

1. 克隆或 Fork 该仓库：

   <code>git clone https://github.com/odh-labs/predictive-maint.git</code>

2. 进入克隆的仓库目录：cd predictive-maint

3. 设置 REPO ext{}HOME 环境变量：export REPO ext{}HOME=$(pwd)

下载完成后，我们需要设置 Kafka 集群。

1. Red Hat OpenShift Streams for Apache Kafka (RHOSAK)：

   

   此脚本将创建 Kafka 服务并设置用户。

2. 您将被要求登录到您的 Red Hat 帐户。
3. 大约五到七分钟后，您的 Kafka .sh 脚本应该成功完成。

安装完成后，您将需要来自终端的 Kafka broker URL、SASL 用户名和 SASL 密码复制到文本文件中。这些信息将在后续配置中用到。

配置 Producer 应用程序

配置 producer 项目，以便从您的网络摄像头捕获图像并将它们发送到 Kafka。

1. 打开 Red Hat OpenShift Web 控制台。
2. 确认连接URL为OpenShift应用连接。
3. 确认用户已经登录OpenShift。
4. 使用以下值创建Image应用：
   • 应用名称：producer
   • 名称：producer
5. 选择开发者模式的拓扑结构
6. 点击创建的deployment.

在您的项目“e-producer”中，您应该可以看到所有正在运行的组件。这个边缘应用程序它将能够从您的网络摄像头获取图像。

这时会要求同意许可。

配置 仪表板

接下来，我们将需要安装仪表板，以便显示结果。

• 拓扑结构中选择 a-dashboard-user30
• 点击添加
• 从 Git 中添加
• 存储库 URL : https://github.com/odh-labs/predictive-maint
• Context Dir：/dashboard

部署完成后，您应该能够在仪表板上看到您的应用程序。

使用步骤

启动实时推断演示

完成以上所有步骤后，您就可以启动实时推断演示了。

1. 打开在拓扑结构中，点击打开仪表盘页面。

2. 点击 “Start” 按钮。

   

3. 系统将提示您允许网站访问您的摄像头。点击 “Allow”。

4. 现在，您应该能够在浏览器中看到摄像头的实时画面，以及 AI 模型识别出的物体信息。

通过本教程的步骤，您将会有一个可以实时识别图像的AI应用

定价

Red Hat OpenShift定价

Red Hat OpenShift 提供多种定价选项，以满足不同规模和需求的组织。

• Developer Sandbox： 免费，用于开发和测试。
• OpenShift Dedicated： 根据资源使用量收费。
• OpenShift Container Platform： 基于订阅模式收费。

  

请访问 Red Hat 官网了解更多定价信息。

优点和缺点

? Pros

自动化图像识别，提高效率。

实时推断，快速响应。

边缘到云端的架构，灵活性高。

基于 OpenShift 平台，易于部署和管理。

? Cons

需要一定的 AI/ML 技术背景。

需要一定的计算资源。

模型训练和优化需要时间和精力。

对数据质量有较高的要求。

常见问题解答

AI/ML 图像识别技术有哪些应用场景？

AI/ML 图像识别技术可应用于智能监控、自动驾驶、零售分析、医疗诊断等多个领域。

设置实时推断演示需要哪些准备工作？

需要安装 Red Hat OpenShift 应用程序服务命令行界面、Red Hat OpenShift 命令行界面、JQ JavaScript manipulation tool，并拥有 Red Hat 账户和 OpenShift 集群。

Kubernetes Operator 是什么？

Kubernetes Operator 是一种将人工运维知识编码到容器中的方法，简化了 Kubernetes 上运行应用程序的安装、维护、升级、备份和恢复等操作。

如何在 OpenShift 中创建项目？

打开 OpenShift Web 控制台，并使用管理员权限登录，创建一个新的项目。

相关问题

如何优化 AI/ML 图像识别模型的性能？

优化 AI/ML 图像识别模型的性能是一个复杂的过程，需要考虑多个因素。以下是一些常见的优化方法： 数据增强： 通过对训练数据进行旋转、缩放、裁剪等操作，增加数据的多样性，提高模型的泛化能力。 模型选择： 选择合适的模型架构，例如卷积神经网络（CNN）、循环神经网络（RNN）或 Transformer 等，根据具体的应用场景和数据特点进行选择。 超参数调优： 调整模型的超参数，例如学习率、批次大小、正则化系数等，以获得最佳的性能。可以使用网格搜索、随机搜索或贝叶斯优化等方法进行超参数调优。 模型压缩： 减少模型的大小和计算复杂度，使其更适合在边缘设备上部署。可以使用剪枝、量化、知识蒸馏等方法进行模型压缩。 硬件加速： 利用 GPU、TPU 等硬件加速器，提高模型的计算速度。 模型选择方面： 模型结构是深度学习模型的核心，直接决定了模型的表达能力和学习效率。选择合适的模型结构需要综合考虑任务的复杂性、数据的规模和计算资源的限制等因素。 卷积神经网络（CNN）： CNN 是一种专门用于处理图像数据的深度学习模型，它通过卷积层提取图像的局部特征，并使用池化层降低特征的维度，从而实现对图像的识别和分类。CNN 在图像识别领域取得了巨大的成功，例如 LeNet、AlexNet、VGGNet、ResNet 等都是经典的 CNN 模型。 循环神经网络（RNN）： RNN 是一种专门用于处理序列数据的深度学习模型，它通过循环连接的神经元记忆之前的状态，从而实现对序列数据的建模。RNN 在自然语言处理领域应用广泛，例如文本分类、机器翻译、语音识别等。 Transformer： Transformer 是一种基于自注意力机制的深度学习模型，它通过自注意力机制学习序列中不同位置之间的关系，从而实现对序列数据的建模。Transformer 在自然语言处理领域取得了巨大的成功，例如 BERT、GPT 等都是基于 Transformer 的模型。 数据增强方面： 数据增强是一种通过对现有训练数据进行变换，生成更多训练数据的方法。数据增强可以增加数据的多样性，提高模型的泛化能力，从而提高模型的性能。以下是一些常见的数据增强方法： 图像旋转： 将图像旋转一定的角度，例如 90 度、180 度、270 度等。 图像缩放： 将图像放大或缩小一定的比例。 图像裁剪： 从图像中裁剪出一部分区域。 图像平移： 将图像在水平或垂直方向上平移一定的距离。 图像翻转： 将图像在水平或垂直方向上翻转。 图像色彩变换： 调整图像的亮度、对比度、饱和度等色彩属性。 超参数调优方面： 超参数是机器学习模型中的一些可配置的参数，例如学习率、批次大小、正则化系数等。超参数的选择对模型的性能有很大的影响，因此需要进行超参数调优。以下是一些常见的超参数调优方法： 网格搜索： 将超参数的所有可能取值组合成一个网格，然后逐一尝试每种组合，选择性能最佳的组合。网格搜索的缺点是计算量大，当超参数的个数较多时，需要消耗大量的时间。 随机搜索： 随机选择超参数的取值组合，然后逐一尝试每种组合，选择性能最佳的组合。随机搜索的优点是计算量小，但缺点是可能无法找到最佳的超参数组合。 贝叶斯优化： 基于贝叶斯统计的超参数调优方法，它通过建立超参数与模型性能之间的概率模型，然后利用该模型指导超参数的搜索。贝叶斯优化能够在较少的迭代次数内找到较好的超参数组合，但缺点是需要一定的数学基础。

今天关于《AI图像识别：从边缘到云端实时推断设置演示》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于的内容请关注golang学习网公众号！