Обнаружение объектов изображений AutoML

В этой статье описывается компонент в конструкторе Машинного обучения Azure.

Используйте этот компонент для создания модели машинного обучения, основанной на обнаружении объектов изображений AutoML.

Модель обнаружения объектов изображений будет находить и классифицировать сущности в изображениях. Модели обнаружения объектов обычно обучаются с использованием глубокого обучения и нейронных сетей.

Порядок настройки

Полный список настраиваемых параметров этого компонента см. по этой ссылке.

Для этой модели требуется набор данных для обучения. Наборы данных для проверки и тестирования являются необязательными.

Перейдите по этой ссылке, чтобы получить дополнительные сведения о том, как подготовить набор данных. Набору данных потребуется набор данных с метками , включающий столбец меток со значением для всех строк.

AutoML параллельно выполняет ряд пробных версий (указанных в max_trials) (указанных в max_concurrent_trials), которые пробуют различные алгоритмы и параметры для модели. Служба выполняет итерацию по алгоритмам машинного обучения в паре с выбранными гиперпараметровами, и каждая пробная версия создает модель с оценкой обучения. Вы можете выбрать метрику, для которой будет оптимизироваться модель. Чем выше оценка для выбранной метрики, тем лучше модель считается "подходящей" для ваших данных. Вы можете определить критерии выхода (политика завершения) для эксперимента. Критерием выхода будет модель с определенной оценкой обучения, которую вы хотите найти в AutoML. Он остановится после того, как достигнет определенных критериев выхода. Затем этот компонент выводит наилучшую модель, созданную в конце выполнения для набора данных. Дополнительные сведения о критериях выхода (политике завершения) см. по этой ссылке.

1. Добавьте компонент AutoML Image Object Detection в конвейер.

2. Укажите целевой столбец , который модель будет выводить

3. Укажите основную метрику , которую autoML будет использовать для оценки успешности модели. Перейдите по этой ссылке, чтобы ознакомиться с каждой основной метрикой для компьютерного зрения.

4. (Необязательно) Вы можете настроить параметры алгоритма. Список поддерживаемых алгоритмов для компьютерного зрения см. по этой ссылке.

5. (Необязательно) Дополнительные сведения о настройке ограничений заданий см . по этой ссылке.

6. (Необязательно) Перейдите по этой ссылке, чтобы получить список конфигураций для выборки и раннего завершения для очистки заданий. Вы также можете найти дополнительные сведения о каждой из политик и методов выборки.

Дальнейшие действия

Ознакомьтесь с набором доступных компонентов для Машинного обучения Azure.