Автоматические системы мониторинга животных на основе технологий AutoML

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.

1. Baker, B., Gupta, O., Naik, N., Raskar, R.: Designing neural network architectures using reinforcement learning. 5th International Conference on Learning Representations, arXiv:1611.02167 [cs] (2017).

2. Bello, I., Zoph, B., Vasudevan, V., Le, Q. V.: Neural optimizer search with Reinforcement learning. 34th International Conference on Machine Learning, ICML 2017, volume 1, pp. 712-721 (2017).

3. Cai, H., Chen, T., Zhang, W., Yu, Y., Wang, J.: Efficient architecture search by network transformation. 32nd AAAI Conference on Artificial Intelligence, AAAI 2018, pp. 2787-2794 (2018).

4. Chhor, J., Fischer, V., Kroppel, F., Schmitt, R. H.: Rule-based Decision Support for No-Code Digitalized Processes. Procedia CIRP, volume 107, pp. 258 -263 (2022).

5. Dasegowda, G., Sato, J. Y., Elton, D. C., GarzaFrias, E., Schultz, T., Bridge, C. P., Bizzo, B. C., Kalra, M. K., Dreyer, K. J.: No code machine learning: validating the approach on use-case for classifying clavicle fractures. Clinical Imaging, volume 112, article №110207 (2024).

6. Dong, J.-D., Cheng, A.-C., Juan, D.-C., Wei, W., Sun, M.: DPP-Net: Device-Aware Progressive Search for Pareto-Optimal Neural Architectures. Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), LNCS, volume 11215, pp. 540-555 (2018).

7. Geng, Z., Wang, Y.: Automated design of a convolutional neural network with multi-scale filters for cost-efficient seismic data classification. Nature Communications, volume 11, issue 1 (2020).

8. Mote, D. S.: No Code App Development: Learn to Build Apps Without Code. Notion Press, Chennai, India. (2022).

9. Sundberg, L., Holmstrom, J.: Democratizing artificial intelligence: How no-code AI can leverage machine learning operations. Business Horizons, volume 66, issue 6, pp. 777-788 (2023).

10. Witsuba, M., Rawat, A., Pedapati, T.: Automation of deep learning. Proceedings of the 2020 International Conference on Multimedia Retrieval, pp. 5-6 (2020).