Importieren von Bildern

  • Artikel

Wichtig

Der Support für Machine Learning Studio (klassisch) endet am 31. August 2024. Es wird empfohlen, bis zu diesem Datum auf Azure Machine Learning umzustellen.

Ab dem 1. Dezember 2021 können Sie keine neuen Ressourcen in Machine Learning Studio (klassisch) mehr erstellen. Bis zum 31. August 2024 können Sie die vorhandenen Ressourcen in Machine Learning Studio (klassisch) weiterhin verwenden.

Die Dokumentation zu ML Studio (klassisch) wird nicht mehr fortgeführt und kann künftig nicht mehr aktualisiert werden.

Lädt Bilder aus Azure BLOB Storage in ein Dataset

Kategorie: OpenCV-Bibliotheksmodule

Hinweis

Gilt für: Machine Learning Studio (klassisch)

Ähnliche Drag & Drop-Module sind im Azure Machine Learning-Designer verfügbar.

Modulübersicht

In diesem Artikel wird beschrieben, wie Sie das Modul Import Images in Machine Learning Studio (klassisch) verwenden, um mehrere Bilder aus Azure Blob Storage zu erhalten und daraus ein Image-Dataset zu erstellen.

Wenn Sie dieses Modul verwenden, um Bilder aus blob storage in Ihren Arbeitsbereich zu laden, wird jedes Bild zusammen mit dem Namen der Bilddatei in eine Reihe numerischer Werte für den roten, grünen und blauen Kanal konvertiert. Ein Dataset mit solchen Bildern besteht aus mehreren Zeilen in einer Tabelle, die jeweils unterschiedliche RGB-Werte und entsprechende Bilddateinamen enthalten. Anweisungen zum Vorbereiten Ihrer Images und zum Herstellen einer Verbindung mit Blob Storage finden Sie unter Importieren von Bildern.

Nachdem Sie alle Bilder konvertiert haben, können Sie dieses Dataset an das Modul Score Model übergeben und ein vortrainiertes Bildklassifizierungsmodell verbinden, um den Bildtyp vorherzusagen.

Sie können jede Art von Bildern importieren, die für maschinelles Lernen verwendet werden. Es gibt jedoch Einschränkungen, einschließlich der Typen und der Größe von Bildern, die verarbeitet werden können. Weitere Informationen finden Sie im Abschnitt Technische Hinweise .

Verwenden von "Images importieren"

In diesem Beispiel wird davon ausgegangen, dass Sie mehrere Bilder in Ihr Konto in Azure Blob Storage hochgeladen haben. Die Images befinden sich in einem Container, der nur für diesen Zweck bestimmt ist. In der Regel muss jedes Bild relativ klein sein und über die gleichen Abmessungen und Farbkanäle verfügen. Eine ausführliche Liste der Anforderungen, die für Bilder gelten, finden Sie im Abschnitt Technische Hinweise .

  1. Fügen Sie ihrem Experiment in Studio (klassisch) das Modul Import Images hinzu.

  2. Fügen Sie die vorab trainierte Kaskadierte Bildklassifizierung und das Modul Score Model hinzu.

  3. Konfigurieren Sie im Modul Import Images (Images importieren) den Speicherort der Images, und geben Sie die Authentifizierungsmethode privat oder öffentlich an:

    • Wenn sich der Imagesatz in einem Blob befindet, das für den öffentlichen Zugriff über Shared Access Signatures (SAS) konfiguriert wurde, geben Sie die URL zu dem Container ein, der die Images enthält.

    • Wenn die Images in einem privaten Konto in Azure Storage gespeichert sind, wählen Sie Konto aus, und geben Sie dann den Kontonamen ein, wie er im Verwaltungsportal angezeigt wird. Fügen Sie dann den primären oder sekundären Kontoschlüssel ein.

    • Geben Sie unter Pfad zum Container nur den Containernamen und keine anderen Pfadelemente ein.

  4. Verbinden ausgabe von Import Images in das Score Model-Modul.

  5. Führen Sie das Experiment aus.

Ergebnisse

Jede Zeile des Ausgabe-Datasets enthält Daten aus einem Bild. Die Zeilen werden alphabetisch nach Bildnamen sortiert, und die Spalten enthalten die folgenden Informationen in dieser Reihenfolge:

  • Die erste Spalte enthält die Bildnamen.
  • Alle anderen Spalten enthalten zusammengefasste Daten aus den roten, grünen und blauen Farbkanälen (in dieser Reihenfolge).
  • Der Transparenzkanal wird ignoriert.

Abhängig von der Farbtiefe des Bilds und dem Bildformat können viele Tausend Spalten für ein einzelnes Bild vorliegen. Daher wird empfohlen, zum Anzeigen der Ergebnisse des Experiments das Modul Select Columns in Dataset (Spalten im Dataset auswählen) hinzuzufügen und nur diese Spalten auszuwählen:

  • Imagename
  • Scored Labels (Bewertete Bezeichnungen)
  • Scored Probabilities (Bewertete Wahrscheinlichkeiten)

Technische Hinweise

Dieser Abschnitt enthält Implementierungsdetails, Tipps und Antworten auf häufig gestellte Fragen.

Unterstützte Bildformate

Das Modul Import Images bestimmt den Typ eines Bilds, indem die ersten Bytes des Inhalts gelesen werden, nicht die Dateierweiterung. Anhand dieser Informationen wird bestimmt, ob das Bild eines der unterstützten Bildformate ist.

  • Windows Bitmapdateien: .bmp, .dib
  • JPEG-Dateien: JPEG, .jpg, JPE
  • JPEG 2000-Dateien: .jp2
  • Portable Network Graphics: .png
  • Portables Bildformat: PBM, PGM, PPM
  • Sun-Raster: .sr, .ras
  • TIFF-Dateien: TIFF, TIF

Bildanforderungen

Die folgenden Anforderungen gelten für Bilder, die vom Import Images-Modul verarbeitet werden:

  • Alle Bilder müssen die gleiche Form haben.
  • Alle Bilder müssen die gleichen Farbkanäle haben. Beispielsweise können Sie Graustufenbilder nicht mit RBG-Bildern kombinieren.
  • Pro Bild sind maximal 65.536 Pixel zulässig. Die Anzahl der Bilder ist jedoch nicht beschränkt.
  • Wenn Sie einen Blobcontainer als Quelle angeben, darf der Container keine anderen Datentypen enthalten. Stellen Sie sicher, dass der Container nur Images enthält, bevor Sie das Modul ausführen.

Weitere Einschränkungen

  • Wenn Sie das Modul Pretrained Cascade Image Classification verwenden möchten, beachten Sie, dass es derzeit nur die Erkennung von Gesichtern in der Frontalansicht unterstützt. Andere Bildklassifizierungen sind noch nicht verfügbar.

  • Sie können keine Bild-Datasets mit diesen Modulen verwenden: Train, Cross-Validate Model.

Modulparameter

Name Range type Standard Beschreibung
Please specify authentication type Liste AuthenticationType Konto Öffentlicher oder SAS-URI (Shared Access Signature) oder Benutzeranmeldeinformationen
URI Any String Keine URI (Uniform Resource Identifier) mit SAS- oder öffentlichem Zugriff
Kontoname Any String Keine Der Name des Azure-Speicherkontos.
Kontoschlüssel Any SecureString Keine Der Schlüssel, der dem Azure-Speicherkonto zugeordnet ist.
Path to container, directory or blob Any String Keine Der Pfad zum Blob oder der Name einer Tabelle

Output

Name Type Beschreibung
Ergebnisdataset Datentabelle Dataset mit den heruntergeladenen Bildern

Ausnahmen

Ausnahme Beschreibung
Fehler 0003 Eine Ausnahme tritt auf, wenn mindestens eine Eingabe NULL oder leer ist.
Fehler 0029 Eine Ausnahme tritt auf, wenn ein ungültiger URI übergeben wird.
Fehler 0009 Eine Ausnahme tritt auf, wenn der Kontoname oder Containername für den Azure-Speicher falsch angegeben ist.
Fehler 0015 Eine Ausnahme tritt auf, wenn die Verbindung mit der Datenbank fehlgeschlagen ist.
Fehler 0030 Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Datei herunterzuladen.
Fehler 0049 Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Datei zu analysieren.
Fehler 0048 Eine Ausnahme tritt auf, wenn es nicht möglich ist, eine Datei zu öffnen.

Eine Liste der Fehler, die für Studio-Module (klassisch) spezifisch sind, finden Sie unter Machine Learning Fehlercodes.

Eine Liste der API-Ausnahmen finden Sie unter Machine Learning REST-API-Fehlercodes.

Siehe auch

Pretrained Cascade Image Classification (Vortrainierte Kaskadenbildklassifizierung)
Modulliste von A bis Z