DenseNet

  • Artigo

Este artigo descreve como usar o componente DenseNet no Azure Machine Learning Designer para criar um modelo de classificação de imagem usando o algoritmo DenseNet.

Esse algoritmo de classificação é um método de aprendizado supervisionado e requer um diretório de imagens rotuladas.

Observação

Este componente não dá suporte a conjuntos de dados rotulados gerados na Rotulagem de Dados do estúdio, mas dá suporte apenas ao diretório de imagem rotulado gerado no componente Converter em Diretório de Imagem.

Você pode treinar o modelo fornecendo o modelo e o diretório de imagens rotuladas como entradas para Treinar Modelo de PyTorch. O modelo treinado pode ser usado para prever valores para os novos exemplos de entrada usando Classificar Modelo de Imagem.

Mais sobre o DenseNet

Para obter mais informações sobre o DenseNet, confira o artigo de pesquisa Redes convolucionais densamente conectadas.

Como configurar o DenseNet

  1. Adicione o componente DenseNet ao seu pipeline no designer.

  2. Para Nome do modelo, especifique o nome de uma determinada estrutura do DenseNet; você pode selecionar entre as opções de DenseNet com suporte: 'densenet121', 'densenet161', 'densenet169', 'densenet201'.

  3. Para Pré-treinado, especifique se deseja usar um modelo previamente treinado no ImageNet. Se selecionado, você poderá ajustar o modelo com base no modelo pré-treinado selecionado. Se desmarcado, você poderá treinar do zero.

  4. Para Eficiência da memória, especifique se deseja usar o ponto de verificação, que é muito mais eficiente em termos de memória, mas mais lento. Para obter mais informações, confira o artigo de pesquisa, Implementação com eficiência de memória de DenseNets.

  5. Conecte a saída do componente DenseNet, treinamento e componente do conjunto de dados de imagem de validação ao Treinar Modelo Pytorch.

  6. Enviar o pipeline.

Resultados

Após a execução do pipeline ser concluída, para usar o modelo de pontuação, conecte o módulo Treinar Modelo de Pytorch ao Pontuar Imagem do Modelo para prever os valores de novos exemplos de entrada.

Observações técnicas

parâmetros do componente

Nome Intervalo Type Padrão Descrição
Nome do modelo Qualquer Mode densenet201 Nome de uma determinada estrutura DenseNet
Pré-treinado Qualquer Booliano verdadeiro Se deve ser usado um modelo pré-treinado em ImageNet
Eficiência de memória Qualquer Booliano Falso Se deve ser usado o ponto de verificação, que é muito mais eficiente em termos de memória, mas mais lento

Saída

Nome Type Descrição
Modelo não treinado UntrainedModelDirectory Um modelo do DenseNet não treinado que pode ser conectado ao Treinar Modelo de PyTorch.

Próximas etapas

Confira o conjunto de componentes disponíveis no Azure Machine Learning.