ImageLoadingEstimator Classe

Définition

Espace de noms:

Microsoft.ML.Data

Assembly:

Microsoft.ML.ImageAnalytics.dll

Paquet:

Microsoft.ML.ImageAnalytics v2.0.0

IEstimator<TTransformer>pour .ImageLoadingTransformer

public sealed class ImageLoadingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Data.ImageLoadingTransformer>

type ImageLoadingEstimator = class
    inherit TrivialEstimator<ImageLoadingTransformer>

Public NotInheritable Class ImageLoadingEstimator
Inherits TrivialEstimator(Of ImageLoadingTransformer)

Héritage

Object

TrivialEstimator<ImageLoadingTransformer>

ImageLoadingEstimator

Remarques

Caractéristiques de l’estimateur

Cet estimateur doit-il examiner les données pour effectuer l’apprentissage de ses paramètres ?	No
Type de données de colonne d’entrée	Texte
Type de données de colonne de sortie	MLImage
NuGet requis en plus de Microsoft.ML	Microsoft.ML.ImageAnalytics
Exportable vers ONNX	No

Le résultat crée ImageLoadingTransformer une nouvelle colonne, nommée comme spécifié dans les paramètres de nom de colonne de sortie, et charge dans celle-ci les images spécifiées dans la colonne d’entrée. Le chargement est la première étape de presque tous les pipelines qui effectuent le traitement d’images et une analyse plus poussée sur les images. Les images à charger doivent être dans les formats pris en charge par l’implémentation MLImage . Pour connaître les pipelines de traitement d’images de bout en bout et les scénarios dans vos applications, consultez les exemples dans le référentiel github machinelearning-samples.

Consultez la section Voir aussi pour obtenir des liens vers des exemples d’utilisation.

Méthodes

Fit(IDataView)	IEstimator<TTransformer>pour .ImageLoadingTransformer (Hérité de TrivialEstimator<TTransformer>)
GetOutputSchema(SchemaShape)	Retourne le SchemaShape du schéma qui sera produit par le transformateur. Utilisé pour la propagation et la vérification du schéma dans un pipeline.

Méthodes d’extension

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Ajoutez un « point de contrôle de mise en cache » à la chaîne de l’estimateur. Cela garantit que les estimateurs en aval seront entraînés sur les données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui acceptent plusieurs passes de données.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Avec un estimateur, retournez un objet d’habillage qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui était adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt qu’un simple général ITransformer. Toutefois, dans le même temps, IEstimator<TTransformer> sont souvent formés dans des pipelines avec de nombreux objets, nous devrons donc créer une chaîne d’estimateurs par le biais EstimatorChain<TLastTransformer> de l’emplacement où l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons, par le biais de cette méthode, attacher un délégué qui sera appelé une fois que fit est appelé.

Voir aussi

• LoadImages(TransformsCatalog, String, String, String)