Den här webbläsaren stöds inte längre.
Uppgradera till Microsoft Edge och dra nytta av de senaste funktionerna och säkerhetsuppdateringarna, samt teknisk support.
Lär dig hur du tränar en bildklassificeringsmodell i Azure med Hjälp av Model Builder för att kategorisera markanvändning från satellitbilder.
Den här självstudien visar hur du skapar ett C#-klassbibliotek för att kategorisera markanvändning baserat på satellitbilder med Model Builder.
I den här kursen får du:
Det här exemplet skapar C#-klassbibliotek som kategoriserar markanvändning från kartsatellitbilder med hjälp av en djupinlärningsmodell som tränats i Azure med Model Builder. Du hittar källkoden för den här självstudien på GitHub-lagringsplatsen dotnet/machinelearning-samples
Skapa ett C#-klassbibliotek med namnet "LandUse".
Anteckning
Data för den här självstudien kommer från:
EuroSAT-datamängden innehåller en samling satellitbilder indelade i tio kategorier (landsbygd, industri, flod osv.). Den ursprungliga datamängden innehåller 27 000 bilder. För enkelhetens skull använder den här självstudien endast 2 000 av dessa bilder.
När du först lägger till Model Builder i lösningen uppmanas du att skapa en mbconfig fil. Filen mbconfig håller reda på allt du gör i Model Builder så att du kan öppna sessionen igen.
För att träna din modell måste du välja från listan över tillgängliga maskininlärningsscenarier som tillhandahålls av Model Builder.
I det här exemplet är uppgiften bildklassificering. I scenariosteget i verktyget Model Builder väljer du scenariot Bildklassificering .
Model Builder kan köra träningen i olika miljöer beroende på vilket scenario som valdes.
Välj Azure som miljö och klicka på knappen Konfigurera arbetsyta .
Ett Azure Machine Learning-experiment är en resurs som måste skapas innan du kör Model Builder-träning i Azure.
Experimentet kapslar in konfigurationen och resultaten för en eller flera maskininlärningsträningskörningar. Experiment tillhör en specifik arbetsyta. Första gången ett experiment skapas registreras namnet på arbetsytan. Efterföljande körningar , om samma experimentnamn används, loggas som en del av samma experiment. Annars skapas ett nytt experiment.
I dialogrutan Skapa nytt experiment väljer du din prenumeration i listrutan Prenumeration .
En arbetsyta är en Azure Machine Learning-resurs som tillhandahåller en central plats för alla Azure Machine Learning-resurser och artefakter som skapats som en del av en träningskörning.
I dialogrutan Skapa nytt experiment väljer du länken Nytt bredvid listrutan Machine Learning-arbetsytenamn .
I dialogrutan Skapa en ny arbetsyta skriver du "landuse-wkspc" i textrutan Machine Learning-arbetsytenamn .
Välj USA, östra i listrutan Regioner . En region är den geografiska platsen för det datacenter där din arbetsyta och dina resurser distribueras till. Vi rekommenderar att du väljer en plats nära där du eller dina kunder befinner sig.
Välj länken Ny bredvid listrutan Resursgrupper .
Välj din nyligen skapade resursgrupp i listrutan Resursgrupper .
Välj Skapa.
Etableringsprocessen tar några minuter. En begäran görs till Azure om att etablera följande molnresurser:
När etableringsprocessen är klar väljer du den nya arbetsytan i listrutan Machine Learning-arbetsytenamn i dialogrutan Skapa nytt experiment.
En Azure Machine Learning-beräkning är en molnbaserad virtuell Linux-dator som används för träning.
Träning i Azure är endast tillgängligt för scenariot för model builder-avbildningsklassificering. Algoritmen som används för att träna dessa modeller är ett djupt neuralt nätverk baserat på ResNet50-arkitekturen. Under modellträningsprocessen tränar Model Builder separata modeller med Hjälp av ResNet50-algoritmen och inställningar för att hitta den bäst presterande modellen för din datauppsättning.
När du har konfigurerat arbetsytan och beräkningstypen är det dags att slutföra experimentet och börja träna.
Klicka på knappen Starta träning .
Träningsprocessen tar lite tid och tiden kan variera beroende på storleken på den beräkning som valts samt mängden data. Första gången en modell tränas kan du förvänta dig en något längre träningstid eftersom resurser måste etableras. Du kan spåra förloppet för dina körningar genom att välja länken Övervaka aktuell körning i Azure Portal i Visual Studio.
Under hela träningsprocessen visas förloppsdata i avsnittet Förlopp i träningssteget.
När träningen är klar väljer du knappen Nästa steg för att gå vidare för att utvärdera modellen.
Resultatet av träningssteget är en modell som hade bästa prestanda. I utvärderingssteget i verktyget Model Builder innehåller fliken Information i utdataavsnittet den algoritm som används av den bäst presterande modellen i posten Algoritm tillsammans med mått i noggrannhetsposten i informationen om bästa modell .
Om du inte är nöjd med dina noggrannhetsmått är några enkla sätt att försöka förbättra modellens noggrannhet att använda mer data eller utöka befintliga data. Annars väljer du knappen Nästa steg för att gå vidare till det sista steget i verktyget Model Builder.
Det här steget innehåller projektmallar som du kan använda för att använda modellen. Det här steget är valfritt och du kan välja den metod som bäst passar dina behov för hur modellen ska hanteras.
När du lägger till en konsolapp i din lösning uppmanas du att namnge projektet.
Ge konsolprojektet namnet LandUse_Console.
Klicka på Lägg till i lösning för att lägga till projektet i den aktuella lösningen.
Kör appen.
Utdata som genereras av programmet bör se ut ungefär som kodfragmentet nedan:
Predicted Label value: AnnualCrop
Predicted Label scores: [0.9941197,3.3146807E-06,4.4344174E-06,0.000101028825,7.763133E-06,0.0015898133,0.0040994748,1.6308518E-06,6.265567E-05,1.0236401E-05]
När du lägger till ett webb-API i din lösning uppmanas du att namnge projektet.
Ge webb-API-projektet namnet LandUse_API.
Klicka på Lägg till i lösning för att lägga till projektet i den aktuella lösningen.
Kör appen.
Öppna PowerShell och ange följande kod där PORT är den port som programmet lyssnar på.
$body = @{
ImageSource = <Image location on your local machine>
}
Invoke-RestMethod "https://localhost:<PORT>/predict" -Method Post -Body ($body | ConvertTo-Json) -ContentType "application/json"
Om det lyckas bör utdata se ut ungefär som texten nedan.
output1 prediction score
------- ---------- -----
{9.508701, -3.1025503, -2.8115153, 0.31449434...} AnnualCrop {0.9941197, 3.3146807E-06, 4.4344174E-06, 0.00010102882...
Om du inte längre planerar att använda de Azure-resurser som du skapade tar du bort dem. På så sätt kan du inte debiteras för outnyttade resurser som fortfarande körs.
I den här självstudiekursen lärde du dig att:
Prova något av de andra Model Builder-scenarierna:
Feedback om .NET
.NET är ett öppen källkod projekt. Välj en länk för att ge feedback:
Utbildning
Certifiering
Certifierad av Microsoft: Azure Data Scientist Associate - Certifications
Hantera datainmatning och förberedelse, modellträning och distribution samt övervakning av maskininlärningslösningar med Python, Azure Machine Learning och MLflow.
Dokumentation
Självstudie: Analysera sentiment – Textklassificering - ML.NET
Den här självstudien visar hur du skapar ett Razor Pages-program som klassificerar sentiment från webbplatskommentarer och vidtar lämplig åtgärd. Klassificeringen använder scenariot Textklassificering i Visual Studio-tillägget Model Builder.
Självstudie: Träna en modell för filmrekommendationer med Model Builder - ML.NET
Lär dig hur du tränar en rekommendationsmodell för att rekommendera filmer med Hjälp av Model Builder
Självstudie: Klassificera hälsoöverträdelser med Model Builder - ML.NET
Den här självstudien visar hur du skapar en klassificeringsmodell med flera klasser med ML.NET Model Builder för att klassificera allvarlighetsgraden för överträdelser av restauranghälsa i San Francisco.
