ImageInstanceSegmentationJob Klasa

Konfiguracja zadania segmentacji wystąpienia obrazu automatycznego uczenia maszynowego.

Inicjowanie nowego zadania segmentacji wystąpienia obrazu rozwiązania AutoML.

Dziedziczenie

azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBase

ImageInstanceSegmentationJob

Konstruktor

ImageInstanceSegmentationJob(*, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, **kwargs)

Parametry

primary_metric

Wymagane

Podstawowa metryka do użycia na potrzeby optymalizacji

kwargs

Wymagane

Argumenty specyficzne dla zadania

Metody

dump	Zrzuty zawartości zadania do pliku w formacie YAML.
extend_search_space	Dodaj obszar wyszukiwania dla zadań segmentacji wykrywania obiektów obrazów automatycznego uczenia maszynowego i wystąpień obrazów.
set_data
set_limits	Ogranicz ustawienia dla wszystkich pionowych obrazów automatycznego uczenia maszynowego.
set_sweep	Ustawienia zamiatania dla wszystkich obrazów AutoML w pionie.
set_training_parameters	Ustawianie parametrów trenowania obrazów dla zadań wykrywania obiektów obrazów automatycznego uczenia maszynowego i segmentacji wystąpienia obrazu.

dump

Zrzuty zawartości zadania do pliku w formacie YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Parametry

dest

Union[<xref:PathLike>, str, IO[AnyStr]]

Wymagane

Ścieżka lokalna lub strumień plików do zapisu zawartości YAML. Jeśli dest jest ścieżką pliku, zostanie utworzony nowy plik. Jeśli plik jest otwarty, plik zostanie zapisany bezpośrednio.

kwargs

dict

Dodatkowe argumenty do przekazania do serializatora YAML.

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

extend_search_space

Dodaj obszar wyszukiwania dla zadań segmentacji wykrywania obiektów obrazów automatycznego uczenia maszynowego i wystąpień obrazów.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Parametry

value

Union[SearchSpace, List[SearchSpace]]

Wymagane

Wyszukiwanie w przestrzeni parametrów

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_data

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_limits

Ogranicz ustawienia dla wszystkich pionowych obrazów automatycznego uczenia maszynowego.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Parametry

timeout_minutes

timedelta

Limit czasu zadania automatycznego uczenia maszynowego.

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_sweep

Ustawienia zamiatania dla wszystkich obrazów AutoML w pionie.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Parametry

sampling_algorithm

Wymagane. [Wymagane] Typ algorytmów próbkowania hiperparametrów. Możliwe wartości to: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Typ zasad wczesnego kończenia.

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

set_training_parameters

Ustawianie parametrów trenowania obrazów dla zadań wykrywania obiektów obrazów automatycznego uczenia maszynowego i segmentacji wystąpienia obrazu.

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

Parametry

advanced_settings

str

Ustawienia dla zaawansowanych scenariuszy.

ams_gradient

bool

Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".

beta1

float

Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].

beta2

float

Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie [0, 1].

checkpoint_frequency

int

Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.

checkpoint_run_id

str

Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.

distributed

bool

Czy należy używać trenowania rozproszonego.

early_stopping

bool

Włącz logikę wczesnego zatrzymywania podczas trenowania.

early_stopping_delay

int

Minimalna liczba epok lub ocen poprawności do oczekiwania przed rozpoczęciem śledzenia podstawowej metryki w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.

early_stopping_patience

int

Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed zatrzymaniu przebiegu. Musi być dodatnią liczbą całkowitą.

enable_onnx_normalization

bool

Włącz normalizację podczas eksportowania modelu ONNX.

evaluation_frequency

int

Częstotliwość oceniania zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.

gradient_accumulation_step

int

Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas gromadzenia gradientów tych kroków, a następnie używania skumulowanych gradientów do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.

layers_to_freeze

Liczba warstw, które mają być blokowane dla modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości dla "seresnext" oznacza zamrażanie warstwy 0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Początkowa szybkość nauki. Musi być zmiennoprzecinkiem w zakresie [0, 1].

learning_rate_scheduler

Typ harmonogramu szybkości nauki. Musi mieć wartość "warmup_cosine" lub "krok". Możliwe wartości to: "None", "WarmupCosine", "Step".

model_name

Nazwa modelu, który ma być używany do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkiem w zakresie [0, 1].

nesterov

bool

Włącz nesterov, gdy optymalizator ma wartość "sgd".

number_of_epochs

int

Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.

number_of_workers

int

Liczba procesów roboczych modułu ładującego dane. Musi być nieujemną liczbą całkowitą.

optimizer

Typ optymalizatora. Możliwe wartości to: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Losowe inicjatory, które mają być używane podczas korzystania z trenowania deterministycznego.

step_lr_gamma

float

Wartość gamma podczas uczenia się harmonogramu szybkości jest "krok". Musi być zmiennoprzecinkiem w zakresie [0, 1].

step_lr_step_size

int

Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.

training_batch_size

int

Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.

validation_batch_size

int

Rozmiar partii sprawdzania poprawności. Musi być dodatnią liczbą całkowitą.

warmup_cosine_lr_cycles

float

Wartość cyklu cosinusowego, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkiem w zakresie [0, 1].

warmup_cosine_lr_warmup_epochs

int

Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.

weight_decay

float

Wartość rozkładu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkiem w zakresie[0, 1].

box_detections_per_image

Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

box_score_threshold

float

Podczas wnioskowania zwracaj tylko propozycje z wynikiem klasyfikacji większym niż BoxScoreThreshold. Musi być zmiennoprzecinkiem w zakresie[0, 1].

image_size

Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do cuda OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".

max_size

Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

min_size

Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: przebieg trenowania może dostać się do cudA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

model_size

Rozmiar modelu. Musi mieć wartość "small", "medium", "large" lub "extra_large". Uwaga: przebieg trenowania może dostać się do modelu CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".

multi_scale

Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: przebieg trenowania może dostać się do procesora OOM CUDA, jeśli nie ma wystarczającej ilości pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".

nms_iou_threshold

float

Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowa w zakresie [0, 1].

tile_grid_size

Rozmiar siatki do użycia na potrzeby układania obrazów. Uwaga: TileGridSize nie może mieć właściwości Brak, aby włączyć logikę wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.

tile_overlap_ratio

float

Współczynnik nakładania się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowa w zakresie [0, 1).

tile_predictions_nms_threshold

Próg operacji we/wy używany do wykonywania nmS podczas scalania przewidywań z kafelków i obrazu. Używany w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowa w zakresie [0, 1]. NMS: brak maksymalnego pomijania.

validation_iou_threshold

float

Próg operacji we/wy do użycia podczas obliczania metryki walidacji. Musi być zmiennoprzecinkowa w zakresie [0, 1].

validation_metric_type

str lub ValidationMetricType

Metoda obliczania metryki do użycia na potrzeby metryk walidacji. Musi mieć wartość "none", "coco", "voc" lub "coco_voc".

log_training_metrics

str lub <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>

wskazuje, czy rejestrować metryki trenowania. Musi mieć wartość "Włącz" lub "Wyłącz"

log_validation_loss

str lub <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>

wskazuje, czy należy rejestrować utratę walidacji. Musi mieć wartość "Włącz" lub "Wyłącz"

Wyjątki

FileExistsError

Zgłaszane, jeśli dest jest ścieżką pliku i plik już istnieje.

IOError

Zgłaszane, jeśli dest jest otwartym plikiem, a plik nie jest zapisywalny.

Atrybuty

base_path

Ścieżka podstawowa zasobu.

Zwraca

Ścieżka podstawowa zasobu.

Typ zwracany

str

creation_context

Kontekst tworzenia zasobu.

Zwraca

Metadane tworzenia zasobu.

Typ zwracany

Optional[SystemData]

id

Identyfikator zasobu.

Zwraca

Identyfikator globalny zasobu, identyfikator usługi Azure Resource Manager (ARM).

Typ zwracany

Optional[str]

inputs

limits

log_files

Pliki wyjściowe zadania.

Zwraca

Słownik nazw dzienników i adresów URL.

Typ zwracany

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

Stan zadania.

Zwracane typowe wartości to "Running", "Completed" i "Failed". Wszystkie możliwe wartości to:

• NotStarted — jest to stan tymczasowy, w przypadku którego przed przesłaniem do chmury znajdują się obiekty Uruchom po stronie klienta.

• Uruchamianie — uruchomienie zostało rozpoczęte w chmurze. Obiekt wywołujący ma w tym momencie identyfikator uruchomienia.

• Aprowizacja — obliczenia na żądanie są tworzone dla danego przesłania zadania.

• Przygotowywanie — środowisko uruchomieniowe jest przygotowywane i znajduje się w jednym z dwóch etapów:

  • Kompilacja obrazu platformy Docker

  • Konfiguracja środowiska conda

• W kolejce — zadanie jest kolejkowane w docelowym obiekcie obliczeniowym. Na przykład w usłudze BatchAI zadanie jest w stanie w kolejce

  podczas oczekiwania na gotowość wszystkich żądanych węzłów.

• Uruchomione — zadanie zostało uruchomione na docelowym obiekcie obliczeniowym.

• Finalizowanie — wykonywanie kodu użytkownika zostało ukończone, a przebieg znajduje się na etapach przetwarzania końcowego.

• CancelRequested — zażądano anulowania zadania.

• Ukończono — przebieg został ukończony pomyślnie. Obejmuje to zarówno wykonywanie kodu użytkownika, jak i uruchamianie

  etapy przetwarzania końcowego.

• Niepowodzenie — przebieg zakończył się niepowodzeniem. Zazwyczaj właściwość Error w przebiegu zawiera szczegółowe informacje o przyczynie.

• Anulowano — następuje żądanie anulowania i wskazuje, że przebieg został pomyślnie anulowany.

• NotResponding — w przypadku przebiegów z włączonymi pulsami nie wysłano ostatnio pulsu.

Zwraca

Stan zadania.

Typ zwracany

Optional[str]

studio_url

Punkt końcowy programu Azure ML Studio.

Zwraca

Adres URL strony szczegółów zadania.

Typ zwracany

Optional[str]

sweep

task_type

Pobierz typ zadania.

Zwraca

Typ zadania do uruchomienia. Możliwe wartości to: "classification", "regression", "forecasting".

Typ zwracany

str

test_data

Pobieranie danych testowych.

Zwraca

Testowanie danych wejściowych

Typ zwracany

Input

training_data

Pobieranie danych treningowych.

Zwraca

Dane wejściowe danych szkoleniowych

Typ zwracany

Input

training_parameters

type

Typ zadania.

Zwraca

Typ zadania.

Typ zwracany

Optional[str]

validation_data

Pobieranie danych weryfikacji.

Zwraca

Dane wejściowe danych walidacji

Typ zwracany

Input