Соболевский Владислав Алексеевич, канд.тех.наук
Vladislav Al. Sobolevsky, Ph.D. in Engineering
Лайшев Касим Анверович, д-р.ветеринар.наук, проф., академик РАН
Kasim An. Laishev, Dr.Habil. in Veterinary Sciences, Professor, Academician of the Russian Academy of Sciences
В современных условиях сельское хозяйство сталкивается с активными процессами автоматизации, что подчеркивает необходимость разработки эффективных инструментов для создания подобных автоматизированных систем. Использование средств автоматизации повышает эффективность множества процессов, в том числе в области мониторинга животных. В данной статье рассматривается применение подхода AutoML как средства для автоматизации процесса генерации моделей глубокого обучения, используемых в системах автоматического мониторинга. В качестве тестовой архитектуры, для демонстрации возможностей разработанных технологий, была выбрана архитектура VGG19. Это зарекомендовавшая себя архитектура моделей глубокого обучения, предназначенная для распознавания объектов на изображении. В представленной работе реализована технология автоматизированного структурно-параметрического синтеза моделей VGG19 и оптимизации их гиперпараметров. Такой подход позволяет автоматизировано создавать модели, решающие конкретные прикладные задачи, даже пользователям без специализированных знаний в области глубокого обучения.
Система, представленная в данной работе, разработана на базе программной платформы AutoGenNet, которая реализует концепцию No-Code разработки. Эта концепция позволяет скрыть от пользователей сложные детали процессов создания и обучения моделей, значительно снижая порог вхождения для новых пользователей.
Дополнительно, на основе платформы, AutoGenNet реализован механизм автоматической генерации программных оболочек, позволяющий эффективно работать с обученными моделями. Все указанные аспекты способствовали эффективному внедрению подхода AutoML для автоматизации процессов генерации и обучения модели VGG19. В результате, значительно упростился и ускорился процесс решения задач автоматического мониторинга, основанных на использовании моделей глубокого обучения.
Созданная система была протестирована на задаче распознавания особей коров. Результаты теста показали, что разработанная система обладает высокой степенью масштабируемости и может быть адаптирована для автоматизированной генерации других моделей распознавания объектов, что открывает возможности для решения разнообразных прикладных задач связанных с мониторингом разных видов животных.
In contemporary agricultural contexts, the sector is experiencing active processes of automation, underscoring the need for effective tools to develop such automated systems. The utilization of automation tools enhances the efficiency of numerous processes, including those in the domain of animal monitoring. This article examines the application of the AutoML approach as a means for automating the process of generating deep learning models employed in automatic monitoring systems. The VGG19 architecture has been chosen as a testbed for demonstrating the capabilities of the developed technologies. This well-established architecture for deep learning models is designed for object recognition in images.
The present study implements a technology for automated structural-parametric synthesis of VGG19 models and the optimization of their hyperparameters. Such an approach allows for the automated creation of models tailored to specific applied problems, even for users lacking specialized knowledge in deep learning.
The system delineated in this work is developed on the AutoGenNet software platform, which embodies the No-Code development concept. This concept conceals complex aspects of model creation and training processes from users, significantly lowering the entry barrier for newcomers. Additionally, the AutoGenNet platform incorporates a mechanism for the automatic generation of software wrappers, facilitating efficient interaction with trained models.
All aforementioned aspects have contributed to the effective implementation of the AutoML approach for automating the generation and training processes of the VGG19 model. Consequently, the processes associated with solving automatic monitoring tasks reliant on deep learning models have been significantly simplified and expedited.
The developed system has been tested on the task of recognizing individual cows. Test results indicated that the system possesses a high degree of scalability and can be adapted for the automated generation of other object recognition models, thereby opening avenues for addressing a diverse array of applied challenges related to the monitoring of various animal species.
The authors declare that there are no conflicts of interest present.