Segmentacja wystąpienia obrazu automatycznego uczenia maszynowego

W tym artykule opisano składnik w projektancie usługi Azure Machine Learning.

Ten składnik służy do tworzenia modelu uczenia maszynowego opartego na modelu segmentacji wystąpienia obrazów automatycznego uczenia maszynowego.

Sposób konfigurowania

Użyj tego linku , aby uzyskać pełną listę konfigurowalnych parametrów tego składnika.

Ten model wymaga zestawu danych szkoleniowych. Zestawy danych sprawdzania poprawności i testowania są opcjonalne.

Postępuj zgodnie z tym linkiem, aby uzyskać więcej informacji na temat przygotowywania zestawu danych. Zestaw danych będzie potrzebować oznaczonego etykietą zestawu danych zawierającego kolumnę etykiety z wartością dla wszystkich wierszy.

Rozwiązanie AutoML uruchamia wiele prób (określonych w max_trials) równolegle (określonych w max_concurrent_trials), które próbują użyć różnych algorytmów i parametrów dla modelu. Usługa iteruje za pomocą algorytmów uczenia maszynowego sparowanych z wyborami hiperparametrów, a każda wersja próbna generuje model z wynikiem trenowania. Możesz wybrać metryki, dla której ma zostać zoptymalizowany model. Lepszy wynik dla wybranej metryki, tym lepiej model jest uznawany za "dopasowany" do danych. Możesz zdefiniować kryteria zakończenia (zasady zakończenia) dla eksperymentu. Kryteria zakończenia będą modelem z określonym wynikiem trenowania, który ma być wyszukiwany przez rozwiązanie AutoML. Zatrzyma się po osiągnięciu zdefiniowanych kryteriów zakończenia. Ten składnik wyświetli następnie najlepszy model, który został wygenerowany na końcu przebiegu zestawu danych. Odwiedź ten link, aby uzyskać więcej informacji na temat kryteriów zakończenia (zasad zakończenia).

1. Dodaj składnik Segmentacji wystąpienia obrazu automatycznego uczenia maszynowego do potoku.

2. Określ kolumnę docelową, dla której model ma zostać wyświetlony

3. Określ metryka podstawowa, która ma być używana przez rozwiązanie AutoML do mierzenia sukcesu modelu. Odwiedź ten link, aby zapoznać się z wyjaśnieniem każdej podstawowej metryki na potrzeby przetwarzania obrazów.

4. (Opcjonalnie) Możesz skonfigurować ustawienia algorytmu. Odwiedź ten link, aby uzyskać listę obsługiwanych algorytmów przetwarzania obrazów.

5. (Opcjonalnie) Aby skonfigurować limity zadań, odwiedź ten link, aby uzyskać więcej informacji.

6. (Opcjonalnie) Odwiedź ten link, aby uzyskać listę konfiguracji próbkowania i wczesnego zakończenia dla zamiatania zadań. Więcej informacji na temat każdej z zasad i metod próbkowania można również znaleźć.

Następne kroki

Zobacz zestaw składników dostępnych dla usługi Azure Machine Learning.