تجزئة مثيل صورة AutoML
توضح هذه المقالة مكونا في مصمم Azure للتعلم الآلي.
استخدم هذا المكون لإنشاء نموذج تعلم آلي يستند إلى نموذج تجزئة مثيل صورة AutoML.
كيفية التهيئة
اتبع هذا الارتباط للحصول على قائمة كاملة بالمعلمات القابلة للتكوين لهذا المكون.
يتطلب هذا النموذج مجموعة بيانات تدريب. مجموعات بيانات التحقق من الصحة والاختبار اختيارية.
اتبع هذا الارتباط للحصول على مزيد من المعلومات حول كيفية إعداد مجموعة البيانات الخاصة بك. ستحتاج مجموعة البيانات إلى مجموعة بيانات مسماة تتضمن عمود تسمية بقيمة لجميع الصفوف.
يقوم AutoML بتشغيل عدد من الإصدارات التجريبية (المحددة في max_trials) بالتوازي (المحددة في max_concurrent_trials) التي تجرب خوارزميات ومعلمات مختلفة للنموذج الخاص بك. تتكرر الخدمة من خلال خوارزميات التعلم الآلي المقترنة بتحديدات المعلمات الفائقة وتنتج كل تجربة نموذجا مع درجة تدريب. يمكنك اختيار المقياس الذي تريد تحسين النموذج له. كلما كانت درجة المقياس المختار أفضل كلما اعتبر النموذج "مناسبا" لبياناتك. يمكنك تحديد معايير الخروج (نهج الإنهاء) للتجربة. ستكون معايير الخروج نموذجا مع درجة تدريب محددة تريد أن يعثر عليها AutoML. ستتوقف بمجرد أن تصل إلى معايير الخروج المحددة. سيقوم هذا المكون بعد ذلك بإخراج أفضل نموذج تم إنشاؤه في نهاية التشغيل لمجموعة البيانات الخاصة بك. تفضل بزيارة هذا الارتباط لمزيد من المعلومات حول معايير الخروج (نهج الإنهاء).
أضف مكون AutoML Image Instance Segmentation إلى البنية الأساسية لبرنامج ربط العمليات التجارية الخاصة بك.
حدد العمود الهدف الذي تريد أن يقوم النموذج لإخراجه
حدد المقياس الأساسي الذي تريد أن يستخدمه AutoML لقياس نجاح النموذج الخاص بك. تفضل بزيارة هذا الارتباط للحصول على شرح حول كل مقياس أساسي لرؤية الكمبيوتر.
(اختياري) يمكنك تكوين إعدادات الخوارزمية. تفضل بزيارة هذا الارتباط للحصول على قائمة الخوارزميات المدعومة لرؤية الكمبيوتر.
(اختياري) لتكوين حدود الوظائف، تفضل بزيارة هذا الارتباط لمزيد من الشرح.
(اختياري) تفضل بزيارة هذا الارتباط للحصول على قائمة بالتكوينات لأخذ العينات والإنهاء المبكر لمسح الوظائف. يمكنك أيضا العثور على مزيد من المعلومات حول كل من النهج وأساليب أخذ العينات.
الخطوات التالية
راجع مجموعة المكونات المتوفرة للتعلم الآلي من Azure.