AutoML-képobjektumok észlelése
Ez a cikk az Azure Machine Learning-tervező egy összetevőjét ismerteti.
Ezzel az összetevővel létrehozhat egy gépi tanulási modellt, amely az AutoML-rendszerképobjektumok észlelésén alapul.
A Képobjektum-észlelési modell megkeresi és kategorizálja az entitásokat a képeken belül. Az objektumészlelési modelleket általában mélytanulási és neurális hálózatok használatával tanítják be.
Konfigurálás
Kövesse ezt a hivatkozást az összetevő konfigurálható paramétereinek teljes listájához.
Ehhez a modellhez betanítási adatkészlet szükséges. Az érvényesítési és tesztelési adathalmazok megadása nem kötelező.
Ezen a hivatkozáson további információt kaphat az adathalmaz előkészítéséről. Az adatkészletnek szüksége lesz egy címkézett adatkészletre , amely egy címkeoszlopot tartalmaz, amely minden sorhoz tartalmaz egy értéket.
Az AutoML számos (max_trials-ben meghatározott) próbaidőszakot futtat párhuzamosan (max_concurrent_trials), amelyek különböző algoritmusokat és paramétereket próbálnak ki a modellhez. A szolgáltatás a hiperparaméter-kiválasztásokkal párosított ML-algoritmusokon keresztül iterál, és minden próba egy betanítási pontszámmal rendelkező modellt hoz létre. Kiválaszthatja azt a metrikát, amelyre optimalizálni szeretné a modellt. Minél jobb a választott metrika pontszáma, annál jobb, ha a modell "illeszkedik" az adatokhoz. Definiálhat kilépési feltételeket (megszüntetési szabályzatot) a kísérlethez. A kilépési feltétel egy olyan modell lesz, amely egy adott betanítási pontszámot tartalmaz, amelyet az AutoML-nek meg kell találnia. Leáll, amint eléri a megadott kilépési feltételeket. Ez az összetevő a futtatás végén létrehozott legjobb modellt adja ki az adathalmazhoz. A kilépési feltételekről (megszüntetési szabályzatról) ezen a hivatkozáson talál további információt.
Adja hozzá az AutoML képobjektum-észlelési összetevőt a folyamathoz.
Adja meg a céloszlopot , amelyet a modellnek ki szeretne adni
Adja meg azt az elsődleges metrikát , amelyet az AutoML-nek használnia kell a modell sikerességének méréséhez. A számítógépes látástechnológia egyes elsődleges metrikáinak magyarázatáért látogasson el erre a hivatkozásra.
(Nem kötelező) Az algoritmusbeállításokat konfigurálhatja. A számítógépes látástechnológia által támogatott algoritmusok listájáért látogasson el erre a hivatkozásra.
(Nem kötelező) A feladatok korlátainak konfigurálásához látogasson el erre a hivatkozásra további magyarázatért.
(Nem kötelező) Ezen a hivatkozáson megtekintheti a mintavételezés és a korai leállítás konfigurálásának listáját a feladatseprő számára. További információt az egyes szabályzatokról és mintavételi módszerekről is talál.
Következő lépések
Tekintse meg az Azure Machine Learning számára elérhető összetevőket .