Classification d’images AutoML Multi-étiquettes
Cet article décrit un composant dans le concepteur Azure Machine Learning.
Utilisez ce composant pour créer un modèle Machine Learning basé sur l’étiquette Multi-label Classification d’images AutoML.
La classification d’images multi-étiquettes est une tâche de vision par ordinateur dans laquelle l’objectif est de prédire un ensemble d’étiquettes associées à chaque image individuelle. Vous pouvez envisager d’utiliser la classification multi-étiquette dans laquelle vous devez déterminer plusieurs propriétés d’une image donnée.
Comment configurer
Suivez ce lien pour obtenir la liste complète des paramètres configurables de ce composant.
Ce composant crée un modèle de classification. Étant donné que la classification est une méthode d’apprentissage supervisée, vous avez besoin d’un jeu de données étiqueté incluant une colonne étiquette avec une valeur pour toutes les lignes.
Ce modèle nécessite un jeu de données d’apprentissage. Les jeux de données de validation et de test sont facultatifs.
Suivez ce lien pour consulter le Guide pratique pour préparer votre jeu de données. Le jeu de données a besoin d’un jeu de données étiqueté comprenant une colonne d’étiquette avec une valeur pour toutes les lignes.
AutoML exécute un certain nombre d’essais (spécifiés dans max_trials) en parallèle (specified in max_concurrent_trial) qui essaient différents algorithmes et paramètres pour votre modèle. Le service effectue des itérations à l’aide d’algorithmes de Machine Learning associés à des hyperparamètres sélectionnés et chaque essai produit un modèle doté d’un score d’apprentissage. Vous pouvez choisir la métrique de votre choix pour l’optimisation du modèle. Plus le score de la métrique choisie est élevé, plus le modèle est considéré comme « adapté » à vos données. Vous pouvez définir des critères de sortie (stratégie d’arrêt) pour l’expérience. Les critères de sortie correspondent au modèle avec un score d’apprentissage spécifique qu’AutoML doit trouver. L’apprentissage s’arrête quand les critères de sortie définis sont atteints. Ce composant génère ensuite le meilleur modèle qui a été généré à la fin de l’exécution pour votre jeu de données. Consultez ce lien pour obtenir des informations supplémentaires sur les critères de sortie (stratégie d’arrêt).
Ajoutez le composant Multi-étiquettes AutoML Image Classification à votre pipeline.
Spécifiez la colonne cible de votre choix pour la sortie du modèle.
Spécifiez la métrique principale qu’AutoML doit utiliser pour mesurer la réussite de votre modèle. Consultez ce lien pour obtenir une explication sur chaque métrique principale pour la vision par ordinateur.
(Facultatif) Vous pouvez configurer les paramètres de l’algorithme. Suivez ce lien pour obtenir la liste des algorithmes pris en charge pour la vision par ordinateur.
(Facultatif) Pour configurer les limites de travail, consultez ce lien afin d’obtenir plus d’explications.
(Facultatif) Consultez ce lien pour obtenir la liste des configurations pour l’échantillonnage et l’arrêt anticipé pour votre nettoyage de travail. Vous trouverez également plus d’informations sur chacune des stratégies et méthodes d’échantillonnage.
Étapes suivantes
Consultez les composants disponibles pour Azure Machine Learning.