Qr Code Machine Learning (Developer Tutorial)

Réponse rapide (QR) les codes sont devenus partie intégrante de la société moderne, révolutionnant la manière dont l'information est partagée et accessible. Ces codes-barres bidimensionnels consistent en une matrice de carrés noirs et blancs qui peuvent être scannés à l'aide de l'appareil photo d'un smartphone afin de récupérer rapidement les informations stockées, telles que les URL, les coordonnées de contact, les URL de sites web, les détails des produits, et bien d'autres encore. Cependant, à mesure que la technologie évolue, les capacités des codes QR se développent également. Apprentissage automatique (ML) s'est imposé comme un outil puissant pour améliorer les processus de génération, de reconnaissance et de décodage des codes QR, ce qui permet d'améliorer l'expérience des utilisateurs et d'accroître la fonctionnalité.

Le monde de l'information et de l'échange de données a été transformé par l'utilisation généralisée des codes QR et des codes-barres. Ces codes bidimensionnels permettent un accès rapide au contenu numérique et remplissent diverses fonctions dans les différents secteurs d'activité. Cependant, la distinction entre les codes QR et les codes-barres peut s'avérer difficile, en particulier lorsqu'il s'agit d'une gamme variée de codes. En utilisant la puissance de l'apprentissage automatique (ML) et le Framework .NET/C#, les développeurs peuvent créer un système intelligent qui classifie avec précision les codes QR et les codes-barres, rationalisant ainsi le traitement des données et améliorant l'expérience des utilisateurs. L'intégration des capacités de décodage d'IronBarcode améliore encore la solution, permettant une extraction précise du contenu des codes reconnus.

Dans cet article, nous allons former le modèle qui classera l'entrée donnée en tant que code-barres ou code QR, puis nous décoderons le code d'entrée à l'aide d'IronBarcode.

Utilisation de ML.NET Model Builder pour la classification des codes QR

Constructeur de modèlesun outil intégré à Visual Studio, simplifie le processus de construction de modèles d'apprentissage automatique en fournissant une interface intuitive. Nous utiliserons Model Builder pour créer un modèle de classification qui distingue les codes QR des codes-barres. Une fois la classification terminée, nous intégrerons IronBarcode pour décoder les codes reconnus.

Étape 1 : Collecte des données

La toute première étape de la formation d'un modèle, quel qu'il soit, est la collecte de données. Nous avons besoin de données pour entraîner le modèle. J'ai téléchargé les données de Kaggle. Vous pouvez le télécharger à partir de n'importe quelle source, selon vos préférences. Après avoir téléchargé l'ensemble de données, créez un répertoire principal et placez-y les deux ensembles de données. Les données sont organisées en deux sous-répertoires :

1. Codes à barres

2. Codes QR

   

   L'étape suivante consiste à ouvrir Visual Studio et à créer un nouveau modèle d'apprentissage automatique.

Étape 2 : Créer un projet dans Visual Studio et ajouter un nouveau modèle d'apprentissage automatique

Créez votre projet dans Visual Studio. Le projet peut être de n'importe quel type, comme ASP.NET Web API, ASP.NET MVC, WEB Forms ou une application console. Dans cet exemple, j'utilise une application console. Cliquez avec le bouton droit de la souris sur le projet dans l'explorateur de solutions. Sélectionnez Ajouter > Modèle d'apprentissage automatique comme indiqué ci-dessous.

Nommez votre modèle d'apprentissage automatique et cliquez sur le bouton Ajouter.

Étape 3 : Sélectionner un scénario

Une nouvelle fenêtre apparaît après l'ajout du fichier de modèle d'apprentissage automatique. Faites défiler vers le bas et sélectionnez Classification d'images. La classification d'images est l'une des techniques de vision artificielle que nous allons utiliser dans ce tutoriel. Nous choisissons la classification d'images plutôt que la reconnaissance d'images car nous devons seulement faire la différence entre un code de réponse rapide (Quick Response Code) et un code d'identification (Code QR) et les codes-barres, nous n'avons pas besoin de les reconnaître à partir d'une image donnée.

Étape 4 : Sélection de l'environnement

L'étape suivante après la sélection d'un scénario est le choix de l'environnement. Nous pouvons choisir soit notre système local pour entraîner le modèle, soit le nuage Azure. Nous devons disposer d'un abonnement actif à Azure pour utiliser Azure comme environnement.

Étape 5 : Sélection des données

Dans cette étape, nous devons transmettre les données que nous avons collectées à l'étape 1. Nous avons déjà organisé les données en sous-catégories à l'étape 1, comme l'exige le concepteur de modèle.

Indiquez le chemin du répertoire principal de votre jeu de données dans l'option Select Folder. Nous pouvons prévisualiser nos données comme indiqué ci-dessous.

Nous pouvons également visualiser le dossier des codes QR en cliquant sur l'onglet Codes QR dans l'aperçu des données.

Après avoir sélectionné les données, cliquez sur le bouton "Suivant", ce qui vous amènera à l'écran de formation.

Étape 6 : Entraîner le modèle

Cliquez sur Démarrer le modèle de formation, et la formation commencera comme indiqué ci-dessous. Assurez-vous que Visual Studio n'est pas ouvert en mode administrateur, sinon une erreur se produira.

Il commencera la formation et prendra du temps. La durée de la formation varie en fonction des capacités du système. Le constructeur de modèles utilise AutoML. Il utilisera automatiquement les techniques d'apprentissage automatique appropriées, le niveau de correction des erreurs, la reconnaissance des modèles, la réduction du bruit, le réglage du contraste, le processus d'apprentissage et d'autres paramètres en conséquence.

Étape n° 7 : Évaluation du modèle

Après l'entraînement, évaluez les performances du modèle en passant les données de test afin de garantir une classification précise.

Étape n° 8 : Consommer le modèle

Une fois le modèle formé et évalué, nous pouvons l'exporter et le consommer. Dans notre cas d'utilisation, nous devons classifier le code QR du code-barres et lire les données encodées. Nous avons besoin d'une bibliothèque tierce pour décoder les données, car le modèle d'apprentissage automatique ne peut pas décoder le code QR ou le code-barres, il se contente de le classer.

IronBarcode est une bibliothèque idéale pour décoder les codes QR et les codes-barres. Nous pouvons décoder les deux types de codes à l'aide d'une seule bibliothèque de manière simple. Commençons par une petite introduction sur IronBarcode avant de poursuivre.