Udostępnij za pośrednictwem


ImageObjectDetectionJob Klasa

Konfiguracja zadania wykrywania obiektów obrazów autoML.

Zainicjuj nowe zadanie wykrywania obiektów obrazów automatycznego uczenia maszynowego.

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

Konstruktor

ImageObjectDetectionJob(*, primary_metric: str | ObjectDetectionPrimaryMetrics | 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 automl i segmentacji wystąpień obrazów.

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

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

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

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

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

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

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

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

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

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

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

set_training_parameters

Ustawianie parametrów trenowania obrazów dla zadań wykrywania obiektów obrazów automl i segmentacji wystąpień obrazów.

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 zmiennoprzecinkowym w zakresie [0, 1].

nesterov
bool

Włącz zagnieżdżanie, 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 liczbą całkowitą nie ujemną.

optimizer

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

random_seed
int

Losowe nasion do użycia podczas trenowania deterministycznego.

step_lr_gamma
float

Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym 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

Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą.

warmup_cosine_lr_cycles
float

Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym 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 rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym 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 zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym 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: uruchomienie treningowe 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: uruchomienie treningowe 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 być "mały", "średni", "duży" lub "extra_large". Uwaga: uruchomienie trenowania może dostać się do 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: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej 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 zmiennoprzecinkowy w zakresie [0, 1].

tile_grid_size

Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być wartością None, aby włączyć logikę wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn.

tile_overlap_ratio
float

Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1).

tile_predictions_nms_threshold

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

validation_iou_threshold
float

Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].

validation_metric_type
str lub ValidationMetricType

Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Musi być "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

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

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

id

Identyfikator zasobu.

Zwraca

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

Typ zwracany

inputs

limits

log_files

Pliki wyjściowe zadania.

Zwraca

Słownik nazw dzienników i adresów URL.

Typ zwracany

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

studio_url

Punkt końcowy programu Azure ML Studio.

Zwraca

Adres URL strony szczegółów zadania.

Typ zwracany

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

training_data

Pobieranie danych treningowych.

Zwraca

Dane wejściowe danych szkoleniowych

Typ zwracany

training_parameters

type

Typ zadania.

Zwraca

Typ zadania.

Typ zwracany

validation_data

Pobieranie danych weryfikacji.

Zwraca

Dane wejściowe danych walidacji

Typ zwracany