Importera avbildningar
Viktigt
Stödet för Machine Learning Studio (klassisk) upphör den 31 augusti 2024. Vi rekommenderar att du byter till Azure Machine Learning innan dess.
Från och med den 1 december 2021 kan du inte längre skapa nya Machine Learning Studio-resurser (klassisk). Du kan fortsätta att använda befintliga Machine Learning Studio-resurser (klassisk) till och med den 31 augusti 2024.
- Se information om hur du flyttar maskininlärningsprojekt från ML Studio (klassisk) till Azure Machine Learning.
- Läs mer om Azure Machine Learning.
Dokumentationen om ML Studio (klassisk) håller på att dras tillbaka och kanske inte uppdateras i framtiden.
Läser in bilder från Azure BLOB Storage till en datauppsättning
Kategori: OpenCV-biblioteksmoduler
Anteckning
Gäller endast för: Machine Learning Studio (klassisk)
Liknande dra och släpp-moduler är tillgängliga i Azure Machine Learning designer.
Modulöversikt
Den här artikeln beskriver hur du använder modulen Importera avbildningar i Machine Learning Studio (klassisk) för att hämta flera bilder från Azure Blob Storage och skapa en bilddatauppsättning från dem.
När du använder den här modulen för att läsa in bilder från Blob Storage till din arbetsyta konverteras varje bild till en serie numeriska värden för de röda, gröna och blå kanalerna, tillsammans med avbildningsfilens namn. En datauppsättning med sådana bilder består av flera rader i en tabell, var och en med en annan uppsättning RGB-värden och motsvarande bildfilnamn. Anvisningar om hur du förbereder dina bilder och ansluter till Blob Storage finns i Importera avbildningar.
När du har konverterat alla dina bilder kan du skicka datauppsättningen till modulen Poängmodell och ansluta en förtränad bildklassificeringsmodell för att förutsäga bildtypen.
Du kan importera alla typer av avbildningar som används för maskininlärning. Det finns dock begränsningar, inklusive typer och storlek på bilder som kan bearbetas, i avsnittet Tekniska anteckningar.
Så här använder du importavbildningar
Det här exemplet förutsätter att du har laddat upp flera avbildningar till ditt konto i Azure Blob Storage. Avbildningarna finns i en container som endast är avsedd för detta ändamål. Som regel måste varje bild vara ganska liten och ha samma dimensioner och färgkanaler. En detaljerad lista över krav som gäller för bilder finns i avsnittet Tekniska anteckningar.
Lägg till modulen Importera avbildningar i experimentet i Studio (klassisk).
Lägg till modulen Pretrained Cascade Image Classification (Förtränadbildklassificering) och Score Model (Poängmodell ).
I modulen Importera avbildningar konfigurerar du platsen för bilderna och anger autentiseringsmetoden privat eller offentlig:
Om avbildningsuppsättningen finns i en blob som har konfigurerats för offentlig åtkomst via signaturer för delad åtkomst (SAS) anger du URL:en till containern som innehåller bilderna.
Om avbildningarna lagras i ett privat konto i Azure Storage väljer du Konto och anger sedan kontonamnet som det visas i hanteringsportalen. Klistra sedan in den primära eller sekundära kontonyckeln.
I Sökväg till container skriver du bara containernamnet och inga andra sökvägselement.
Anslut utdata från Importera bilder till modulen Poängmodell.
Kör experimentet.
Resultat
Varje rad i utdatauppsättningen innehåller data från en bild. Raderna sorteras alfabetiskt efter bildnamn och kolumnerna innehåller följande information, i den här ordningen:
- Den första kolumnen innehåller bildnamn.
- Alla andra kolumner innehåller utplattade data från kanaler med röd, grön och blå färg i den ordningen.
- Transparenskanalen ignoreras.
Beroende på bildens färgdjup och bildformatet kan det finnas tusentals kolumner för en enskild bild. För att visa resultatet av experimentet rekommenderar vi därför att du lägger till modulen Välj kolumner i datauppsättning och endast markerar dessa kolumner:
- Avbildningens namn
- Poängsatta etiketter
- Poängade sannolikheter
Teknisk information
Det här avsnittet innehåller implementeringsinformation, tips och svar på vanliga frågor
Bildformat som stöds
Modulen Importera avbildningar avgör typen av bild genom att läsa de första bytena i innehållet, inte av filnamnstillägget. Baserat på den informationen avgör den om bilden är ett av de bildformat som stöds.
- Windows bitmappfiler: .bmp, .dib
- JPEG-filer: .jpeg, .jpg, .jpe
- JPEG 2000-filer: .jp2
- Portable Network Graphics: .png
- Portabelt bildformat: .pbm, .pgm, .ppm
- Sun Raster: .sr, .ras
- TIFF-filer: .tiff, .tif
Avbildningskrav
Följande krav gäller för avbildningar som bearbetas av modulen Importera avbildningar:
- Alla bilder måste ha samma form.
- Alla bilder måste ha samma färgkanaler. Du kan till exempel inte blanda gråskala avbildningar med RBG-avbildningar.
- Det finns en gräns på 65536 bildpunkter per bild. Antalet bilder är dock inte begränsat.
- Om du anger en blobcontainer som källa får containern inte innehålla andra typer av data. Se till att containern endast innehåller avbildningar innan du kör modulen.
Övriga begränsningar
Om du tänker använda modulen Pretrained Cascade Image Classification (Förtränad kaskadavbildningsklassificering) bör du vara medveten om att den för närvarande endast stöder igenkänning av ansikten i frontalvyn. andra bildklassare är ännu inte tillgängliga.
Du kan inte använda bilddatauppsättningar med dessa moduler: Träna, Kors validera modell.
Modulparametrar
| Name | Intervall | Typ | Standardvärde | Description |
|---|---|---|---|---|
| Ange autentiseringstyp | Lista | AuthenticationType | Konto | URI för offentlig eller delad åtkomstsignatur (SAS) eller autentiseringsuppgifter för användare |
| URI | Valfri | Sträng | inget | Uniform Resource Identifier med SAS eller offentlig åtkomst |
| Kontonamn | Valfri | Sträng | inget | Namnet på Azure Storage konto |
| Kontonyckel | Valfri | SecureString | inget | Nyckel som är associerad med Azure Storage konto |
| Sökväg till container, katalog eller blob | Valfri | Sträng | inget | Sökväg till blob eller tabellnamn |
Utdata
| Namn | Typ | Description |
|---|---|---|
| Resultatdatauppsättning | Datatabell | Datauppsättning med nedladdade bilder |
Undantag
| Undantag | Description |
|---|---|
| Fel 0003 | Undantaget inträffar om en eller flera indata är null eller tomma. |
| Fel 0029 | Undantag inträffar när ogiltig URI skickas. |
| Fel 0009 | Undantaget inträffar om namnet på Azure-lagringskontot eller containernamnet har angetts felaktigt. |
| Fel 0015 | Undantaget inträffar om databasanslutningen misslyckades. |
| Fel 0030 | Undantaget inträffar när det inte går att ladda ned en fil. |
| Fel 0049 | Undantaget inträffar när det inte går att parsa en fil. |
| Fel 0048 | Undantaget inträffar när det inte går att öppna en fil. |
En lista över fel som är specifika för Studio-moduler (klassisk) finns i Machine Learning felkoder.
En lista över API-undantag finns i Machine Learning REST API felkoder.