Automatisiertes maschinelles Lernen: Bildobjekterkennung

In diesem Artikel wird eine Komponente im Azure Machine Learning-Designer beschrieben.

Verwenden Sie diese Komponente, um ein Machine Learning-Modell zu erstellen, das auf der AutoML-Bildobjekterkennung basiert.

Das Modell für die Bildobjekterkennung sucht und kategorisiert Entitäten in Bildern. Objekterkennungsmodelle werden häufig mit Deep Learning und neuronalen Netzwerken trainiert.

Vorgehensweise zur Konfiguration

Unter diesem Link finden Sie eine vollständige Liste der konfigurierbaren Parameter für diese Komponente.

Für dieses Modell wird ein Trainingsdataset benötigt. Validierungs- und Testdatasets sind optional.

Über diesen Link erhalten Sie weitere Informationen darüber, wie Sie Ihr Dataset vorbereiten. Das Dataset muss ein beschriftetes Dataset sein, das eine Beschriftungsspalte mit einem Wert in allen Zeilen enthält.

AutoML führt parallel (angegeben in „max_concurrent_trials“) mehrere Versuche (angegeben in „max_trials“) durch, die verschiedene Algorithmen und Parameter für Ihr Modell ausprobieren. Der Dienst durchläuft die ML-Algorithmen in Kombination mit den ausgewählten Hyperparametern, und bei jedem Testdurchlauf wird ein Modell mit einer Trainingsbewertung generiert. Sie können die Metrik auswählen, für die das Modell optimiert werden soll. Je besser der Score für die gewählte Metrik, desto besser passt das Modell zu Ihren Daten. Sie können ein Beendigungskriterium (eine Beendigungsrichtlinie) für das Experiment definieren. Das Beendigungskriterium ist ein Modell mit einem bestimmten Trainingsscore, das AutoML ermitteln soll. Die Ausführung wird beendet, sobald das definierte Beendigungskriterium erreicht wird. Anschließend gibt die Komponente das beste Modell aus, das am Ende der Ausführung für Ihr Dataset generiert wurde. Weitere Informationen zu Beendigungskriterien (Beendigungsrichtlinie) finden Sie in diesem Artikel.

1. Fügen Sie Ihrer Pipeline die Komponente AutoML-Bildobjekterkennung hinzu.

2. Geben Sie die Zielspalte für die Modellausgabe an.

3. Geben Sie die Primäre Metrik an, die AutoML zur Messung des Erfolgs Ihres Modells verwenden soll. Unter diesem Link finden Sie eine Erläuterung der einzelnen primären Metriken für maschinelles Sehen.

4. (Optional) Sie können Algorithmuseinstellungen konfigurieren. Sehen Sie sich die Liste der unterstützten Algorithmen für maschinelles Sehen an.

5. (Optional) Weitere Informationen zum Konfigurieren von Auftragsgrenzwerten finden Sie unter diesem Link.

6. (Optional) Unter diesem Link finden Sie eine Liste der Konfigurationen für die Stichprobennahme und die vorzeitige Beendigung im Rahmen eines Auftragssweeps. Dort finden Sie auch weitere Informationen zu den einzelnen Richtlinien und Methoden für die Stichprobenentnahme.

Nächste Schritte

Hier finden Sie die für Azure Machine Learning verfügbaren Komponenten.