Compartir a través de


OnnxCatalog.ApplyOnnxModel Método

Definición

Sobrecargas

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Cree un OnnxScoringEstimator con el especificado OnnxOptions. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo onnx entrenado previamente a la columna de entrada. Las columnas de entrada y salida se determinan en función de las columnas de entrada y salida del modelo ONNX proporcionado. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo onnx entrenado previamente a la columna de entrada. Las columnas de entrada y salida se determinan en función de las columnas de entrada y salida del modelo ONNX proporcionado. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx entrenado previamente a la inputColumnName columna. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx entrenado previamente a la inputColumnName columna. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

ApplyOnnxModel(TransformsCatalog, OnnxOptions)

Cree un OnnxScoringEstimator con el especificado OnnxOptions. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, Microsoft.ML.Transforms.Onnx.OnnxOptions options);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * Microsoft.ML.Transforms.Onnx.OnnxOptions -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, options As OnnxOptions) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

options
OnnxOptions

Opciones de OnnxScoringEstimator.

Devoluciones

Comentarios

Si las opciones. El valor de GpuDeviceId es null el MLContext.GpuDeviceId valor que se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo onnx entrenado previamente a la columna de entrada. Las columnas de entrada y salida se determinan en función de las columnas de entrada y salida del modelo ONNX proporcionado. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Ejemplos

using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;

namespace Samples.Dynamic
{
    public static class ApplyOnnxModel
    {
        public static void Example()
        {
            // Download the squeeznet image model from ONNX model zoo, version 1.2
            // https://github.com/onnx/models/tree/master/squeezenet or
            // https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
            // or use Microsoft.ML.Onnx.TestModels nuget.
            var modelPath = @"squeezenet\00000001\model.onnx";

            // Create ML pipeline to score the data using OnnxScoringEstimator
            var mlContext = new MLContext();

            // Generate sample test data.
            var samples = GetTensorData();
            // Convert training data to IDataView, the general data type used in
            // ML.NET.
            var data = mlContext.Data.LoadFromEnumerable(samples);
            // Create the pipeline to score using provided onnx model.
            var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
            // Fit the pipeline and get the transformed values
            var transformedValues = pipeline.Fit(data).Transform(data);
            // Retrieve model scores into Prediction class
            var predictions = mlContext.Data.CreateEnumerable<Prediction>(
                transformedValues, reuseRowObject: false);

            // Iterate rows
            foreach (var prediction in predictions)
            {
                int numClasses = 0;
                foreach (var classScore in prediction.softmaxout_1.Take(3))
                {
                    Console.WriteLine("Class #" + numClasses++ + " score = " +
                        classScore);
                }
                Console.WriteLine(new string('-', 10));
            }

            // Results look like below...
            // Class #0 score = 4.544065E-05
            // Class #1 score = 0.003845858
            // Class #2 score = 0.0001249467
            // ----------
            // Class #0 score = 4.491953E-05
            // Class #1 score = 0.003848222
            // Class #2 score = 0.0001245592
            // ----------
        }

        // inputSize is the overall dimensions of the model input tensor.
        private const int inputSize = 224 * 224 * 3;

        // A class to hold sample tensor data. Member name should match
        // the inputs that the model expects (in this case, data_0)
        public class TensorData
        {
            [VectorType(inputSize)]
            public float[] data_0 { get; set; }
        }

        // Method to generate sample test data. Returns 2 sample rows.
        public static TensorData[] GetTensorData()
        {
            // This can be any numerical data. Assume image pixel values.
            var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
                inputSize).ToArray();

            var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
                10000) / inputSize).ToArray();

            return new TensorData[] { new TensorData() { data_0 = image1 }, new
                TensorData() { data_0 = image2 } };
        }

        // Class to contain the output values from the transformation.
        // This model generates a vector of 1000 floats.
        class Prediction
        {
            [VectorType(1000)]
            public float[] softmaxout_1 { get; set; }
        }
    }
}

Comentarios

El nombre o tipo de columnas de entrada debe coincidir exactamente con el nombre o el tipo de las entradas del modelo ONNX. El nombre o tipo de las columnas de salida generadas coincidirá con el nombre o el tipo de las salidas del modelo ONNX. Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo onnx entrenado previamente a la columna de entrada. Las columnas de entrada y salida se determinan en función de las columnas de entrada y salida del modelo ONNX proporcionado. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Formas ONNX que se van a usar a través de las cargadas desde modelFile. En el caso de las claves, use nombres como se indica en el modelo ONNX, por ejemplo, "entrada". La declaración de las formas con este parámetro es especialmente útil para trabajar con entradas y salidas de dimensión variable.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Ejemplos

using System;
using System.IO;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;

namespace Samples.Dynamic
{
    public static class ApplyOnnxModel
    {
        public static void Example()
        {
            // Download the squeeznet image model from ONNX model zoo, version 1.2
            // https://github.com/onnx/models/tree/master/squeezenet or
            // https://s3.amazonaws.com/download.onnx/models/opset_8/squeezenet.tar.gz
            // or use Microsoft.ML.Onnx.TestModels nuget.
            var modelPath = @"squeezenet\00000001\model.onnx";

            // Create ML pipeline to score the data using OnnxScoringEstimator
            var mlContext = new MLContext();

            // Generate sample test data.
            var samples = GetTensorData();
            // Convert training data to IDataView, the general data type used in
            // ML.NET.
            var data = mlContext.Data.LoadFromEnumerable(samples);
            // Create the pipeline to score using provided onnx model.
            var pipeline = mlContext.Transforms.ApplyOnnxModel(modelPath);
            // Fit the pipeline and get the transformed values
            var transformedValues = pipeline.Fit(data).Transform(data);
            // Retrieve model scores into Prediction class
            var predictions = mlContext.Data.CreateEnumerable<Prediction>(
                transformedValues, reuseRowObject: false);

            // Iterate rows
            foreach (var prediction in predictions)
            {
                int numClasses = 0;
                foreach (var classScore in prediction.softmaxout_1.Take(3))
                {
                    Console.WriteLine("Class #" + numClasses++ + " score = " +
                        classScore);
                }
                Console.WriteLine(new string('-', 10));
            }

            // Results look like below...
            // Class #0 score = 4.544065E-05
            // Class #1 score = 0.003845858
            // Class #2 score = 0.0001249467
            // ----------
            // Class #0 score = 4.491953E-05
            // Class #1 score = 0.003848222
            // Class #2 score = 0.0001245592
            // ----------
        }

        // inputSize is the overall dimensions of the model input tensor.
        private const int inputSize = 224 * 224 * 3;

        // A class to hold sample tensor data. Member name should match
        // the inputs that the model expects (in this case, data_0)
        public class TensorData
        {
            [VectorType(inputSize)]
            public float[] data_0 { get; set; }
        }

        // Method to generate sample test data. Returns 2 sample rows.
        public static TensorData[] GetTensorData()
        {
            // This can be any numerical data. Assume image pixel values.
            var image1 = Enumerable.Range(0, inputSize).Select(x => (float)x /
                inputSize).ToArray();

            var image2 = Enumerable.Range(0, inputSize).Select(x => (float)(x +
                10000) / inputSize).ToArray();

            return new TensorData[] { new TensorData() { data_0 = image1 }, new
                TensorData() { data_0 = image2 } };
        }

        // Class to contain the output values from the transformation.
        // This model generates a vector of 1000 floats.
        class Prediction
        {
            [VectorType(1000)]
            public float[] softmaxout_1 { get; set; }
        }
    }
}

Comentarios

El nombre o tipo de columnas de entrada debe coincidir exactamente con el nombre o el tipo de las entradas del modelo ONNX. El nombre o tipo de las columnas de salida generadas coincidirá con el nombre o el tipo de las salidas del modelo ONNX. Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String, String, String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx entrenado previamente a la inputColumnName columna. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

outputColumnName
String

Columna de salida resultante de la transformación.

inputColumnName
String

Columna de entrada.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Ejemplos

using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;

namespace Samples.Dynamic
{
    public static class ApplyOnnxModelWithInMemoryImages
    {
        // Example of applying ONNX transform on in-memory images.
        public static void Example()
        {
            // Download the squeeznet image model from ONNX model zoo, version 1.2
            // https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
            // Microsoft.ML.Onnx.TestModels nuget.
            // It's a multiclass classifier. It consumes an input "data_0" and
            // produces an output "softmaxout_1".
            var modelPath = @"squeezenet\00000001\model.onnx";

            // Create ML pipeline to score the data using OnnxScoringEstimator
            var mlContext = new MLContext();

            // Create in-memory data points. Its Image/Scores field is the
            // input /output of the used ONNX model.
            var dataPoints = new ImageDataPoint[]
            {
                new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
                new ImageDataPoint(red: 0, green: 128, blue: 0)  // Green color
            };

            // Convert training data to IDataView, the general data type used in
            // ML.NET.
            var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);

            // Create a ML.NET pipeline which contains two steps. First,
            // ExtractPixle is used to convert the 224x224 image to a 3x224x224
            // float tensor. Then the float tensor is fed into a ONNX model with an
            // input called "data_0" and an output called "softmaxout_1". Note that
            // "data_0" and "softmaxout_1" are model input and output names stored
            // in the used ONNX model file. Users may need to inspect their own
            // models to get the right input and output column names.
            // Map column "Image" to column "data_0"
            // Map column "data_0" to column "softmaxout_1"
            var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
                .Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
                "data_0", modelPath));

            var model = pipeline.Fit(dataView);
            var onnx = model.Transform(dataView);

            // Convert IDataView back to IEnumerable<ImageDataPoint> so that user
            // can inspect the output, column "softmaxout_1", of the ONNX transform.
            // Note that Column "softmaxout_1" would be stored in ImageDataPont
            //.Scores because the added attributed [ColumnName("softmaxout_1")]
            // tells that ImageDataPont.Scores is equivalent to column
            // "softmaxout_1".
            var transformedDataPoints = mlContext.Data.CreateEnumerable<
                ImageDataPoint>(onnx, false).ToList();

            // The scores are probabilities of all possible classes, so they should
            // all be positive.
            foreach (var dataPoint in transformedDataPoints)
            {
                var firstClassProb = dataPoint.Scores.First();
                var lastClassProb = dataPoint.Scores.Last();
                Console.WriteLine("The probability of being the first class is " +
                    (firstClassProb * 100) + "%.");

                Console.WriteLine($"The probability of being the last class is " +
                    (lastClassProb * 100) + "%.");
            }

            // Expected output:
            //  The probability of being the first class is 0.002542659%.
            //  The probability of being the last class is 0.0292684%.
            //  The probability of being the first class is 0.02258059%.
            //  The probability of being the last class is 0.394428%.
        }

        // This class is used in Example() to describe data points which will be
        // consumed by ML.NET pipeline.
        private class ImageDataPoint
        {
            // Height of Image.
            private const int height = 224;

            // Width of Image.
            private const int width = 224;

            // Image will be consumed by ONNX image multiclass classification model.
            [ImageType(height, width)]
            public MLImage Image { get; set; }

            // Expected output of ONNX model. It contains probabilities of all
            // classes. Note that the ColumnName below should match the output name
            // in the used ONNX model file.
            [ColumnName("softmaxout_1")]
            public float[] Scores { get; set; }

            public ImageDataPoint()
            {
                Image = null;
            }

            public ImageDataPoint(byte red, byte green, byte blue)
            {
                byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
                for (int i = 0; i < imageData.Length; i += 4)
                {
                    // Fill the buffer with the Bgra32 format
                    imageData[i] = blue;
                    imageData[i + 1] = green;
                    imageData[i + 2] = red;
                    imageData[i + 3] = 255;
                }

                Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
            }
        }
    }
}

Comentarios

Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

outputColumnNames
String[]

Columnas de salida resultantes de la transformación.

inputColumnNames
String[]

Columnas de entrada.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Comentarios

Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String, String, String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx entrenado previamente a la inputColumnName columna. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string outputColumnName, string inputColumnName, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string * string * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnName As String, inputColumnName As String, modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

outputColumnName
String

Columna de salida resultante de la transformación.

inputColumnName
String

Columna de entrada.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Formas ONNX que se van a usar a través de las cargadas desde modelFile. En el caso de las claves, use nombres como se indica en el modelo ONNX, por ejemplo, "entrada". La declaración de las formas con este parámetro es especialmente útil para trabajar con entradas y salidas de dimensión variable.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Ejemplos

using System;
using System.Linq;
using Microsoft.ML;
using Microsoft.ML.Data;
using Microsoft.ML.Transforms.Image;

namespace Samples.Dynamic
{
    public static class ApplyOnnxModelWithInMemoryImages
    {
        // Example of applying ONNX transform on in-memory images.
        public static void Example()
        {
            // Download the squeeznet image model from ONNX model zoo, version 1.2
            // https://github.com/onnx/models/tree/master/vision/classification/squeezenet or use
            // Microsoft.ML.Onnx.TestModels nuget.
            // It's a multiclass classifier. It consumes an input "data_0" and
            // produces an output "softmaxout_1".
            var modelPath = @"squeezenet\00000001\model.onnx";

            // Create ML pipeline to score the data using OnnxScoringEstimator
            var mlContext = new MLContext();

            // Create in-memory data points. Its Image/Scores field is the
            // input /output of the used ONNX model.
            var dataPoints = new ImageDataPoint[]
            {
                new ImageDataPoint(red: 255, green: 0, blue: 0), // Red color
                new ImageDataPoint(red: 0, green: 128, blue: 0)  // Green color
            };

            // Convert training data to IDataView, the general data type used in
            // ML.NET.
            var dataView = mlContext.Data.LoadFromEnumerable(dataPoints);

            // Create a ML.NET pipeline which contains two steps. First,
            // ExtractPixle is used to convert the 224x224 image to a 3x224x224
            // float tensor. Then the float tensor is fed into a ONNX model with an
            // input called "data_0" and an output called "softmaxout_1". Note that
            // "data_0" and "softmaxout_1" are model input and output names stored
            // in the used ONNX model file. Users may need to inspect their own
            // models to get the right input and output column names.
            // Map column "Image" to column "data_0"
            // Map column "data_0" to column "softmaxout_1"
            var pipeline = mlContext.Transforms.ExtractPixels("data_0", "Image")
                .Append(mlContext.Transforms.ApplyOnnxModel("softmaxout_1",
                "data_0", modelPath));

            var model = pipeline.Fit(dataView);
            var onnx = model.Transform(dataView);

            // Convert IDataView back to IEnumerable<ImageDataPoint> so that user
            // can inspect the output, column "softmaxout_1", of the ONNX transform.
            // Note that Column "softmaxout_1" would be stored in ImageDataPont
            //.Scores because the added attributed [ColumnName("softmaxout_1")]
            // tells that ImageDataPont.Scores is equivalent to column
            // "softmaxout_1".
            var transformedDataPoints = mlContext.Data.CreateEnumerable<
                ImageDataPoint>(onnx, false).ToList();

            // The scores are probabilities of all possible classes, so they should
            // all be positive.
            foreach (var dataPoint in transformedDataPoints)
            {
                var firstClassProb = dataPoint.Scores.First();
                var lastClassProb = dataPoint.Scores.Last();
                Console.WriteLine("The probability of being the first class is " +
                    (firstClassProb * 100) + "%.");

                Console.WriteLine($"The probability of being the last class is " +
                    (lastClassProb * 100) + "%.");
            }

            // Expected output:
            //  The probability of being the first class is 0.002542659%.
            //  The probability of being the last class is 0.0292684%.
            //  The probability of being the first class is 0.02258059%.
            //  The probability of being the last class is 0.394428%.
        }

        // This class is used in Example() to describe data points which will be
        // consumed by ML.NET pipeline.
        private class ImageDataPoint
        {
            // Height of Image.
            private const int height = 224;

            // Width of Image.
            private const int width = 224;

            // Image will be consumed by ONNX image multiclass classification model.
            [ImageType(height, width)]
            public MLImage Image { get; set; }

            // Expected output of ONNX model. It contains probabilities of all
            // classes. Note that the ColumnName below should match the output name
            // in the used ONNX model file.
            [ColumnName("softmaxout_1")]
            public float[] Scores { get; set; }

            public ImageDataPoint()
            {
                Image = null;
            }

            public ImageDataPoint(byte red, byte green, byte blue)
            {
                byte[] imageData = new byte[width * height * 4]; // 4 for the red, green, blue and alpha colors
                for (int i = 0; i < imageData.Length; i += 4)
                {
                    // Fill the buffer with the Bgra32 format
                    imageData[i] = blue;
                    imageData[i + 1] = green;
                    imageData[i + 2] = red;
                    imageData[i + 3] = 255;
                }

                Image = MLImage.CreateFromPixels(width, height, MLPixelFormat.Bgra32, imageData);
            }
        }
    }
}

Comentarios

Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

outputColumnNames
String[]

Columnas de salida resultantes de la transformación.

inputColumnNames
String[]

Columnas de entrada.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Formas ONNX que se van a usar a través de las cargadas desde modelFile. En el caso de las claves, use nombres como se indica en el modelo ONNX, por ejemplo, "entrada". La declaración de las formas con este parámetro es especialmente útil para trabajar con entradas y salidas de dimensión variable.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

Devoluciones

Comentarios

Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a

ApplyOnnxModel(TransformsCatalog, String[], String[], String, IDictionary<String,Int32[]>, Nullable<Int32>, Boolean, Int32)

Cree un OnnxScoringEstimatorobjeto , que aplica un modelo de Onnx previamente entrenado a las inputColumnNames columnas. Consulte para OnnxScoringEstimator obtener más información sobre las dependencias necesarias y cómo ejecutarla en una GPU.

public static Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator ApplyOnnxModel (this Microsoft.ML.TransformsCatalog catalog, string[] outputColumnNames, string[] inputColumnNames, string modelFile, System.Collections.Generic.IDictionary<string,int[]> shapeDictionary, int? gpuDeviceId = default, bool fallbackToCpu = false, int recursionLimit = 100);
static member ApplyOnnxModel : Microsoft.ML.TransformsCatalog * string[] * string[] * string * System.Collections.Generic.IDictionary<string, int[]> * Nullable<int> * bool * int -> Microsoft.ML.Transforms.Onnx.OnnxScoringEstimator
<Extension()>
Public Function ApplyOnnxModel (catalog As TransformsCatalog, outputColumnNames As String(), inputColumnNames As String(), modelFile As String, shapeDictionary As IDictionary(Of String, Integer()), Optional gpuDeviceId As Nullable(Of Integer) = Nothing, Optional fallbackToCpu As Boolean = false, Optional recursionLimit As Integer = 100) As OnnxScoringEstimator

Parámetros

catalog
TransformsCatalog

Catálogo de la transformación.

outputColumnNames
String[]

Columnas de salida resultantes de la transformación.

inputColumnNames
String[]

Columnas de entrada.

modelFile
String

Ruta de acceso del archivo que contiene el modelo ONNX.

shapeDictionary
IDictionary<String,Int32[]>

Formas ONNX que se van a usar a través de las cargadas desde modelFile. En el caso de las claves, use nombres como se indica en el modelo ONNX, por ejemplo, "entrada". La declaración de las formas con este parámetro es especialmente útil para trabajar con entradas y salidas de dimensión variable.

gpuDeviceId
Nullable<Int32>

Identificador de dispositivo gpu opcional en el que ejecutar la ejecución, null para ejecutarse en la CPU.

fallbackToCpu
Boolean

Si se produce un error de GPU, genere una excepción o una reserva en la CPU.

recursionLimit
Int32

Opcional, especifica el límite de recursividad de Protobuf CodedInputStream. El valor predeterminado es 100.

Devoluciones

Comentarios

Si el valor de gpuDeviceId es null el MLContext.GpuDeviceId valor se usará si no nulles .

Se aplica a