Como agrupar imagens com Inception V3 no Orange

1.7K views
•
April 26, 2020
by
Sandeco
YouTube video player
Como agrupar imagens com Inception V3 no Orange

TL;DR

O Orange Canvas permite agrupar imagens sem programar, usando o Inception V3 para gerar representações numéricas e algoritmos de clusterização para organizar imagens semelhantes. Na demonstração, galinhas, leões e vacas formam grupos separados sem informar suas classes ao agrupamento. Uma vaca azul da marca Milka também entra no grupo das vacas, sugerindo que sua cor não impediu a associação nesse exemplo.

Transcript

oi bom dia boa tarde boa noite para você onde você estiver agora assistindo mais um vídeo do canal são deco é o anúncio desse vídeo aqui não é mentira não tá certo hoje a gente vai ver orange canvas com deep lane e a vaca azul é verdade uma clusterização de imagens usando deep lane dentro do hora de gramas olha que legal muito bem tô tô aqui com ho... Read More

Key Insights

  • O complemento Image Analytics precisa ser instalado antes de executar o fluxo de imagens no Orange.
  • A pasta inicial contém 27 imagens de galinhas, leões e vacas, carregadas juntas para o agrupamento.
  • O Inception V3 transforma as imagens em representações numéricas usadas nas etapas de clusterização.
  • A distância por cosseno compara as representações das imagens antes da clusterização hierárquica.
  • A clusterização hierárquica separa galinhas, vacas e leões sem receber suas classes no agrupamento.
  • A imagem da vaca azul da Milka aparece no grupo das vacas após recarregar e reprocessar a pasta.
  • O K-means recebe as representações numéricas das imagens para produzir outra organização em grupos.
  • A grade de imagens permite visualizar os grupos do K-means e mostrar seus respectivos rótulos.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: Como preparar o Orange Canvas para agrupar imagens sem programar?

A preparação apresentada começa pela instalação do complemento Image Analytics no Orange Canvas. Depois da instalação, é necessário reiniciar o Orange para que os recursos do complemento apareçam. O passo seguinte é importar a pasta que contém as imagens e conectar a importação a um visualizador para conferir o material carregado. Na demonstração, a pasta inicial reúne 27 imagens de galinhas, leões e vacas. A partir dessa entrada, o fluxo conecta componentes de geração de representações numéricas, cálculo de distâncias e clusterização, realizando o procedimento pela interface visual.

Q: Como o Inception V3 é usado para agrupar imagens no Orange?

O Inception V3 é usado na etapa que transforma cada imagem em uma representação numérica, chamada de embedding na apresentação. As imagens importadas são conectadas ao componente responsável por gerar essas representações. O resultado pode ser examinado em uma tabela, junto com informações como nome, largura e altura das imagens. As colunas numéricas geradas passam a servir de entrada para os procedimentos de agrupamento. No fluxo demonstrado, elas são utilizadas tanto no cálculo de distâncias para a clusterização hierárquica quanto na aplicação do K-means.

Q: Como calcular a semelhança entre imagens antes da clusterização hierárquica?

No procedimento apresentado, a comparação ocorre depois que o Inception V3 gera as representações numéricas das imagens. O componente de distâncias recebe esses valores e calcula as distâncias entre as linhas correspondentes às imagens. O apresentador escolhe a distância por cosseno e comenta que ela lhe parece mais adequada para esse caso do que a distância euclidiana. O resultado é conectado à clusterização hierárquica. Assim, o agrupamento trabalha com as distâncias calculadas a partir das representações, e os grupos podem ser examinados posteriormente com um visualizador de imagens.

Q: Como verificar os grupos produzidos pela clusterização hierárquica no Orange?

A verificação é feita conectando a saída da clusterização hierárquica a um visualizador de imagens. Ao selecionar um grupo na estrutura hierárquica, o visualizador mostra as imagens pertencentes à seleção. Na demonstração, o apresentador seleciona diferentes partes dessa estrutura e observa grupos de galinhas, vacas e leões separados. Ele também mostra que a estrutura contém subgrupos dentro dos agrupamentos maiores. Essa ligação entre seleção e visualização permite conferir quais imagens ficaram juntas, relacionando diretamente o resultado do agrupamento aos animais presentes na pasta importada.

Q: O Orange consegue agrupar galinhas, leões e vacas sem receber suas classes?

Na demonstração, o Orange agrupa as imagens desses animais sem que suas classes sejam informadas à etapa de clusterização. A pasta contém imagens misturadas de galinhas, leões e vacas, que são convertidas em representações numéricas pelo Inception V3. Depois do cálculo de distâncias por cosseno, a clusterização hierárquica produz grupos que o apresentador verifica visualmente. As seleções mostradas reúnem separadamente os animais de cada tipo. O resultado observado se refere ao conjunto de imagens utilizado na apresentação, cuja composição inicial é de 27 imagens.

Q: Por que a vaca azul da Milka foi agrupada com as outras vacas?

A imagem da vaca azul da Milka foi adicionada à pasta e, após o recarregamento e reprocessamento do fluxo, apareceu no agrupamento das vacas. O apresentador interpreta esse resultado como um sinal de que os padrões associados à forma da vaca tiveram mais importância do que sua cor nesse exemplo. A observação direta é que a cor azul não impediu a inclusão da imagem no grupo das vacas. A demonstração apresenta esse caso específico, sem fornecer uma comparação quantitativa que estabeleça a importância relativa de cor e forma.

Q: Como adicionar uma nova imagem a um fluxo de clusterização no Orange?

O procedimento mostrado consiste em salvar a nova imagem na pasta usada como fonte da importação. O apresentador faz isso com a imagem da vaca azul da Milka e depois retorna ao Orange. No componente de importação de imagens, ele aciona a opção de recarregamento para que o conteúdo da pasta seja lido novamente e o fluxo seja reprocessado. Em seguida, abre a clusterização hierárquica e verifica os grupos com o visualizador. A nova imagem aparece entre as vacas, permitindo observar seu agrupamento junto às imagens anteriores.

Q: Como usar K-means para agrupar imagens com Inception V3 no Orange?

O K-means é conectado diretamente à saída das representações numéricas geradas pelo componente de embeddings de imagens. O apresentador utiliza esses valores como entrada para o algoritmo e depois conecta o resultado a uma grade de imagens. Essa grade permite examinar a distribuição das imagens nos grupos e, segundo a apresentação, observar imagens mais próximas ou mais distantes dos centros dos grupos. Ao selecionar a exibição dos rótulos de cluster, o resultado mostrado identifica o grupo três como galinhas, o grupo dois como vacas e o grupo um como leões.

Summary & Key Takeaways

  • O fluxo começa com a instalação do complemento Image Analytics e a reinicialização do Orange. Uma pasta com 27 imagens de galinhas, leões e vacas é importada e conferida no visualizador de imagens.

  • O Inception V3 gera representações numéricas das imagens. O fluxo calcula distâncias por cosseno e aplica clusterização hierárquica, permitindo selecionar grupos e visualizar os animais reunidos.

  • A vaca azul da Milka fica no grupo das vacas após a atualização dos dados. Uma alternativa conecta as representações ao K-means e usa uma grade de imagens para examinar os agrupamentos resultantes.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚