ImageInstanceSegmentationJob Klass
Konfiguration för autoML-avbildningsinstanssegmenteringsjobb.
Initiera ett nytt AutoML-avbildningsinstanssegmenteringsjobb.
- Arv
-
azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBaseImageInstanceSegmentationJob
Konstruktor
ImageInstanceSegmentationJob(*, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, **kwargs)
Parametrar
- primary_metric
Det primära måttet som ska användas för optimering
- kwargs
Jobbspecifika argument
Metoder
dump |
Dumpar jobbinnehållet till en fil i YAML-format. |
extend_search_space |
Lägg till sökutrymme för autoML-objektidentifiering och segmentering av bildinstanser. |
set_data | |
set_limits |
Begränsa inställningarna för alla Lodräta AutoML-bilder. |
set_sweep |
Svepinställningar för alla Lodräta AutoML-bilder. |
set_training_parameters |
Ange bildträningsparametrar för autoML-objektidentifiering och segmentering av bildinstanser. |
dump
Dumpar jobbinnehållet till en fil i YAML-format.
dump(dest: str | PathLike | IO, **kwargs) -> None
Parametrar
Den lokala sökvägen eller filströmmen som YAML-innehållet ska skrivas till. Om dest är en filsökväg skapas en ny fil. Om dest är en öppen fil skrivs filen till direkt.
- kwargs
- dict
Ytterligare argument som ska skickas till YAML-serialiseraren.
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
extend_search_space
Lägg till sökutrymme för autoML-objektidentifiering och segmentering av bildinstanser.
extend_search_space(value: SearchSpace | List[SearchSpace]) -> None
Parametrar
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
set_data
set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
set_limits
Begränsa inställningarna för alla Lodräta AutoML-bilder.
set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None
Parametrar
- timeout_minutes
- timedelta
Tidsgräns för AutoML-jobb.
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
set_sweep
Svepinställningar för alla Lodräta AutoML-bilder.
set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None
Parametrar
- sampling_algorithm
Krävs. [Krävs] Typ av algoritmer för hyperparametersampling. Möjliga värden är: "Grid", "Random", "Bayesian".
- early_termination
- Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]
Typ av princip för tidig avslutning.
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
set_training_parameters
Ange bildträningsparametrar för autoML-objektidentifiering och segmentering av bildinstanser.
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
Parametrar
- advanced_settings
- str
Inställningar för avancerade scenarier.
- ams_gradient
- bool
Aktivera AMSGrad när optimizern är "adam" eller "adamw".
- beta1
- float
Värdet "beta1" när optimizern är "adam" eller "adamw". Måste vara ett flyttal i intervallet [0, 1].
- beta2
- float
Värdet "beta2" när optimizern är "adam" eller "adamw". Måste vara ett flyttal i intervallet [0, 1].
- checkpoint_frequency
- int
Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.
- checkpoint_run_id
- str
ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.
- distributed
- bool
Om distribuerad träning ska användas.
- early_stopping
- bool
Aktivera tidig stopplogik under träningen.
- early_stopping_delay
- int
Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen spåras för tidigt stopp. Måste vara ett positivt heltal.
- early_stopping_patience
- int
Minsta antal epoker eller valideringsutvärderingar utan någon primär måttförbättring innan körningen stoppas. Måste vara ett positivt heltal.
- enable_onnx_normalization
- bool
Aktivera normalisering när du exporterar ONNX-modellen.
- evaluation_frequency
- int
Frekvens för att utvärdera valideringsdatauppsättningen för att få måttpoäng. Måste vara ett positivt heltal.
- gradient_accumulation_step
- int
Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som du ackumulerar toningarna i dessa steg och sedan använder de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.
- layers_to_freeze
Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det fryslager0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long
- learning_rate
- float
Inledande inlärningstakt. Måste vara ett flyttal i intervallet [0, 1].
- learning_rate_scheduler
Typ av schemaläggare för inlärningstakt. Måste vara "warmup_cosine" eller "steg". Möjliga värden är: "None", "WarmupCosine", "Step".
- model_name
Namnet på modellen som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].
- nesterov
- bool
Aktivera nesterov när optimizer är "sgd".
- number_of_epochs
- int
Antal träningsepoker. Måste vara ett positivt heltal.
- number_of_workers
- int
Antal datainläsare. Måste vara ett icke-negativt heltal.
- optimizer
Typ av optimerare. Möjliga värden är: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Slumpmässigt frö som ska användas när du använder deterministisk träning.
- step_lr_gamma
- float
Värdet för gamma när schemaläggaren för inlärningsfrekvens är "steg". Måste vara en flottör i intervallet [0, 1].
- step_lr_step_size
- int
Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.
- training_batch_size
- int
Träningsbatchstorlek. Måste vara ett positivt heltal.
- validation_batch_size
- int
Batchstorlek för validering. Måste vara ett positivt heltal.
- warmup_cosine_lr_cycles
- float
Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.
- weight_decay
- float
Värdet för viktförfall när optimizern är "sgd", "adam" eller "adamw". Måste vara en flottör i intervallet[0, 1].
- box_detections_per_image
Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
- box_score_threshold
- float
Under slutsatsdragningen returnerar du bara förslag med en klassificeringspoäng som är större än BoxScoreThreshold. Måste vara en flottör i intervallet[0, 1].
- image_size
Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
- max_size
Maximal storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
- min_size
Minsta storlek på bilden som ska skalas om innan den matas till ryggraden. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.
- model_size
Modellstorlek. Måste vara "liten", "medel", "stor" eller "extra_large". Obs! Träningskörningen kan komma in i CUDA OOM om modellstorleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
- multi_scale
Aktivera bild i flera skalningsklasser genom att variera bildstorleken med +/- 50 %. Obs! Träningskörningen kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds endast för yolov5-algoritmen.
- nms_iou_threshold
- float
Tröskelvärde för IOU som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1].
- tile_grid_size
Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.
- tile_overlap_ratio
- float
Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).
- tile_predictions_nms_threshold
Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder. Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1]. NMS: Icke-maximal undertryckning.
- validation_iou_threshold
- float
Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1].
- validation_metric_type
- str eller ValidationMetricType
Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc".
- log_training_metrics
- str eller <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
anger om träningsmått ska loggas eller inte. Måste vara "Aktivera" eller "Inaktivera"
- log_validation_loss
- str eller <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
anger om valideringsförlusten ska loggas eller inte. Måste vara "Aktivera" eller "Inaktivera"
Undantag
Utlöses om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte är skrivbar.
Attribut
base_path
creation_context
id
Resurs-ID:t.
Returer
Resursens globala ID, ett ARM-ID (Azure Resource Manager).
Returtyp
inputs
limits
log_files
log_verbosity
outputs
primary_metric
search_space
status
Jobbets status.
Vanliga värden som returneras är "Running", "Completed" och "Failed". Alla möjliga värden är:
NotStarted – det här är ett tillfälligt tillstånd som körningsobjekt på klientsidan befinner sig i innan molnöverföringen.
Startar – Körningen har börjat bearbetas i molnet. Anroparen har nu ett körnings-ID.
Etablering – beräkning på begäran skapas för en viss jobböverföring.
Förbereder – Körningsmiljön förbereds och är i ett av två steg:
Docker-avbildningsversion
konfiguration av conda-miljö
I kö – jobbet köas på beräkningsmålet. I BatchAI är till exempel jobbet i ett köat tillstånd
i väntan på att alla begärda noder ska vara klara.
Körs – Jobbet har börjat köras på beräkningsmålet.
Slutför – Körningen av användarkod har slutförts och körningen är i efterbearbetningssteg.
CancelRequested – Annullering har begärts för jobbet.
Slutfört – körningen har slutförts. Detta omfattar både körning av användarkod och körning
efterbearbetningssteg.
Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.
Avbruten – följer en annulleringsbegäran och anger att körningen nu har avbrutits.
Svarar inte – inga pulsslag har skickats nyligen för körningar som har pulsslag aktiverade.
Returer
Jobbets status.
Returtyp
studio_url
sweep
task_type
Hämta aktivitetstyp.
Returer
Den typ av uppgift som ska köras. Möjliga värden är: "classification", "regression", "forecasting".
Returtyp
test_data
training_data
training_parameters
type
validation_data
Azure SDK for Python