ImageInstanceSegmentationJob Klas
Configuratie voor de taak Segmentatie van autoML-installatiekopieën.
Initialiseer een nieuwe taak voor het segmenteren van een exemplaar van een AutoML-installatiekopieën.
- Overname
-
azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBaseImageInstanceSegmentationJob
Constructor
ImageInstanceSegmentationJob(*, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, **kwargs)
Parameters
- primary_metric
De primaire metrische waarde die moet worden gebruikt voor optimalisatie
- kwargs
Taakspecifieke argumenten
Methoden
dump |
Dumpt de taakinhoud in een bestand in YAML-indeling. |
extend_search_space |
Zoekruimte toevoegen voor de taken AutoML Image Object Detection en Image Instance Segmentation. |
set_data | |
set_limits |
Instellingen beperken voor alle AutoML-afbeeldingsverticalen. |
set_sweep |
Veeginstellingen voor alle AutoML-afbeeldingsverticalen. |
set_training_parameters |
Trainingsparameters voor installatiekopieën instellen voor de taken AutoML Image Object Detection en Image Instance Segmentation. |
dump
Dumpt de taakinhoud in een bestand in YAML-indeling.
dump(dest: str | PathLike | IO, **kwargs) -> None
Parameters
Het lokale pad of de bestandsstroom waar de YAML-inhoud naar moet worden geschreven. Als dest een bestandspad is, wordt er een nieuw bestand gemaakt. Als dest een geopend bestand is, wordt het bestand rechtstreeks naar geschreven.
- kwargs
- dict
Aanvullende argumenten die moeten worden doorgegeven aan de YAML-serializer.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
extend_search_space
Zoekruimte toevoegen voor de taken AutoML Image Object Detection en Image Instance Segmentation.
extend_search_space(value: SearchSpace | List[SearchSpace]) -> None
Parameters
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_data
set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_limits
Instellingen beperken voor alle AutoML-afbeeldingsverticalen.
set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None
Parameters
- timeout_minutes
- timedelta
Time-out van AutoML-taak.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_sweep
Veeginstellingen voor alle AutoML-afbeeldingsverticalen.
set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None
Parameters
- sampling_algorithm
Vereist. [Vereist] Type van de algoritmen voor het nemen van hyperparameters. Mogelijke waarden zijn: 'Grid', 'Random', 'Bayesian'.
- early_termination
- Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]
Type beleid voor vroegtijdige beëindiging.
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
set_training_parameters
Trainingsparameters voor installatiekopieën instellen voor de taken AutoML Image Object Detection en Image Instance Segmentation.
set_training_parameters(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: str | LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: str | StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, box_detections_per_image: int | None = None, box_score_threshold: float | None = None, image_size: int | None = None, max_size: int | None = None, min_size: int | None = None, model_size: str | ModelSize | None = None, multi_scale: bool | None = None, nms_iou_threshold: float | None = None, tile_grid_size: str | None = None, tile_overlap_ratio: float | None = None, tile_predictions_nms_threshold: float | None = None, validation_iou_threshold: float | None = None, validation_metric_type: str | ValidationMetricType | None = None, log_training_metrics: str | LogTrainingMetrics | None = None, log_validation_loss: str | LogValidationLoss | None = None) -> None
Parameters
- advanced_settings
- str
Instellingen voor geavanceerde scenario's.
- ams_gradient
- bool
Schakel AMSGrad in wanneer de optimizer 'adam' of 'adamw' is.
- beta1
- float
Waarde van 'beta1' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
- beta2
- float
Waarde van 'beta2' wanneer optimizer 'adam' of 'adamw' is. Moet een float in het bereik [0, 1] zijn.
- checkpoint_frequency
- int
Frequentie voor het opslaan van modelcontrolepunten. Moet een positief geheel getal zijn.
- checkpoint_run_id
- str
De id van een vorige uitvoering met een vooraf getraind controlepunt voor incrementele training.
- distributed
- bool
Of gedistribueerde training moet worden gebruikt.
- early_stopping
- bool
Schakel vroege stoplogica in tijdens de training.
- early_stopping_delay
- int
Minimum aantal tijdvakken of validatie-evaluaties dat moet worden gewacht voordat de primaire metrische verbetering wordt bijgehouden voor vroege stop. Moet een positief geheel getal zijn.
- early_stopping_patience
- int
Minimum aantal tijdvakken of validatie-evaluaties zonder verbetering van primaire metrische gegevens voordat de uitvoering wordt gestopt. Moet een positief geheel getal zijn.
- enable_onnx_normalization
- bool
Normalisatie inschakelen bij het exporteren van het ONNX-model.
- evaluation_frequency
- int
Frequentie voor het evalueren van de validatiegegevensset om metrische scores op te halen. Moet een positief geheel getal zijn.
- gradient_accumulation_step
- int
Bij het accumuleren van kleurovergangen wordt een geconfigureerd aantal stappen voor GradAccumulationStep uitgevoerd zonder het modelgewicht bij te werken terwijl de kleurovergangen van deze stappen worden verzameld en vervolgens de geaccumuleerde kleurovergangen worden gebruikt om de gewichtsupdates te berekenen. Moet een positief geheel getal zijn.
- layers_to_freeze
Het aantal lagen dat voor het model moet worden geblokkeerd. Moet een positief geheel getal zijn. Het doorgeven van 2 als waarde voor 'seresnext' betekent bijvoorbeeld het bevriezen van laag0 en laag1. Zie voor een volledige lijst met ondersteunde modellen en details over laagblokkering: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long
- learning_rate
- float
Initiële leersnelheid. Moet een float in het bereik [0, 1] zijn.
- learning_rate_scheduler
Type leerfrequentieplanner. Moet 'warmup_cosine' of 'stap' zijn. Mogelijke waarden zijn: "None", "WarmupCosine", "Step".
- model_name
Naam van het model dat moet worden gebruikt voor training. Ga voor meer informatie over de beschikbare modellen naar de officiële documentatie: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Waarde van momentum wanneer optimizer 'sgd' is. Moet een float in het bereik [0, 1] zijn.
- nesterov
- bool
Schakel nesterov in wanneer het optimalisatieprogramma 'sgd' is.
- number_of_epochs
- int
Aantal trainingstijdvakken. Moet een positief geheel getal zijn.
- number_of_workers
- int
Aantal werkrollen voor gegevenslaadprogramma's. Moet een niet-negatief geheel getal zijn.
- optimizer
Type optimalisatieprogramma. Mogelijke waarden zijn: 'None', 'Sgd', 'Adam', 'Adamw'.
- random_seed
- int
Willekeurig zaad dat moet worden gebruikt bij het gebruik van deterministische training.
- step_lr_gamma
- float
Waarde van gamma wanneer learning rate scheduler 'step' is. Moet een float in het bereik [0, 1] zijn.
- step_lr_step_size
- int
Waarde van stapgrootte wanneer learning rate scheduler 'step' is. Moet een positief geheel getal zijn.
- training_batch_size
- int
Grootte van de trainingsbatch. Moet een positief geheel getal zijn.
- validation_batch_size
- int
Grootte van validatiebatch. Moet een positief geheel getal zijn.
- warmup_cosine_lr_cycles
- float
De waarde van de cosinuscyclus wanneer de leerfrequentieplanner 'warmup_cosine' is. Moet een float in het bereik [0, 1] zijn.
- warmup_cosine_lr_warmup_epochs
- int
Waarde van opwarmtijdvakken wanneer learning rate scheduler 'warmup_cosine' is. Moet een positief geheel getal zijn.
- weight_decay
- float
Waarde van gewichtsverval wanneer optimizer 'sgd', 'adam' of 'adamw' is. Moet een vlotter in het bereik[0, 1] zijn.
- box_detections_per_image
Maximum aantal detecties per afbeelding, voor alle klassen. Moet een positief geheel getal zijn. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.
- box_score_threshold
- float
Retourneer tijdens deductie alleen voorstellen met een classificatiescore die groter is dan BoxScoreThreshold. Moet een vlotter in het bereik[0, 1] zijn.
- image_size
Afbeeldingsgrootte voor training en validatie. Moet een positief geheel getal zijn. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.
- max_size
Maximale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.
- min_size
Minimale grootte van de afbeelding die opnieuw moet worden geschaald voordat deze aan de backbone wordt verzonden. Moet een positief geheel getal zijn. Opmerking: trainingsuitvoering kan in CUDA OOM komen als de grootte te groot is. Opmerking: deze instellingen worden niet ondersteund voor het algoritme 'yolov5'.
- model_size
Modelgrootte. Moet 'klein', 'gemiddeld', 'groot' of 'extra_large' zijn. Opmerking: de uitvoering van de training kan in CUDA OOM komen als de modelgrootte te groot is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.
- multi_scale
Schakel afbeeldingen op meerdere schaal in door de grootte van de afbeelding te variëren met +/- 50%. Opmerking: de trainingsuitvoering kan in CUDA OOM komen als er onvoldoende GPU-geheugen is. Opmerking: deze instellingen worden alleen ondersteund voor het algoritme 'yolov5'.
- nms_iou_threshold
- float
IOU-drempelwaarde die wordt gebruikt tijdens deductie in NMS na verwerking. Moet zwevend zijn in het bereik [0, 1].
- tile_grid_size
De rastergrootte die moet worden gebruikt voor het tegelen van elke afbeelding. Opmerking: TileGridSize mag geen Geen zijn om logica voor de detectie van kleine objecten in te schakelen. Een tekenreeks met twee gehele getallen in mxn-indeling.
- tile_overlap_ratio
- float
Overlapverhouding tussen aangrenzende tegels in elke dimensie. Moet zwevend zijn in het bereik [0, 1).
- tile_predictions_nms_threshold
De IOU-drempelwaarde die moet worden gebruikt om NMS uit te voeren tijdens het samenvoegen van voorspellingen van tegels en afbeeldingen. Wordt gebruikt in validatie/deductie. Moet zwevend zijn in het bereik [0, 1]. NMS: Niet-maximale onderdrukking.
- validation_iou_threshold
- float
IOU-drempelwaarde die moet worden gebruikt bij het berekenen van de metrische validatiegegevens. Moet zwevend zijn in het bereik [0, 1].
- validation_metric_type
- str of ValidationMetricType
Metrische berekeningsmethode die moet worden gebruikt voor metrische validatiegegevens. Moet 'none', 'coco', 'voc' of 'coco_voc' zijn.
- log_training_metrics
- str of <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
geeft aan of de metrische gegevens van de training moeten worden logboeken. Moet 'Inschakelen' of 'Uitschakelen' zijn
- log_validation_loss
- str of <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
geeft aan of validatieverlies al dan niet moet worden gelogd. Moet 'Inschakelen' of 'Uitschakelen' zijn
Uitzonderingen
Gegenereerd als dest een bestandspad is en het bestand al bestaat.
Gegenereerd als dest een geopend bestand is en het bestand niet beschrijfbaar is.
Kenmerken
base_path
creation_context
De context voor het maken van de resource.
Retouren
De metagegevens voor het maken van de resource.
Retourtype
id
De resource-id.
Retouren
De globale id van de resource, een ARM-id (Azure Resource Manager).
Retourtype
inputs
limits
log_files
Taakuitvoerbestanden.
Retouren
De woordenlijst met logboeknamen en URL's.
Retourtype
log_verbosity
outputs
primary_metric
search_space
status
De status van de taak.
Veelvoorkomende geretourneerde waarden zijn 'Wordt uitgevoerd', 'Voltooid' en 'Mislukt'. Alle mogelijke waarden zijn:
NotStarted: dit is een tijdelijke status waarin Run-objecten aan de clientzijde zich bevinden voordat ze in de cloud worden verzonden.
Starten: de uitvoering wordt verwerkt in de cloud. De aanroeper heeft op dit moment een uitvoerings-id.
Inrichten: er wordt rekenproces op aanvraag gemaakt voor een bepaalde taakverzending.
Voorbereiden: de uitvoeringsomgeving wordt voorbereid en bevindt zich in een van de volgende twee fasen:
Build van Docker-installatiekopieën
conda-omgeving instellen
In wachtrij: de taak wordt in de wachtrij geplaatst op het rekendoel. In BatchAI bevindt de taak zich bijvoorbeeld in een wachtrijstatus
terwijl u wacht tot alle aangevraagde knooppunten gereed zijn.
Uitvoeren: de taak wordt uitgevoerd op het rekendoel.
Voltooien: de uitvoering van de gebruikerscode is voltooid en de uitvoering bevindt zich in de naverwerkingsfasen.
CancelRequested: annulering is aangevraagd voor de taak.
Voltooid: de uitvoering is voltooid. Dit omvat zowel de uitvoering van de gebruikerscode als de uitvoering
naverwerkingsfasen.
Mislukt: de uitvoering is mislukt. Meestal geeft de eigenschap Error bij een uitvoering details over de reden.
Geannuleerd: volgt een annuleringsaanvraag en geeft aan dat de uitvoering nu is geannuleerd.
Reageert niet: voor uitvoeringen waarvoor Heartbeats is ingeschakeld, is er onlangs geen heartbeat verzonden.
Retouren
Status van de taak.
Retourtype
studio_url
sweep
task_type
Taaktype ophalen.
Retouren
Het type taak dat moet worden uitgevoerd. Mogelijke waarden zijn: 'classificatie', 'regressie', 'voorspellen'.
Retourtype
test_data
training_data
training_parameters
type
validation_data
Azure SDK for Python