ImageObjectDetectionJob Klass
Konfiguration för autoML-avbildningsobjektidentifieringsjobb.
Initiera ett nytt AutoML-jobb för identifiering av bildobjekt.
- Arv
-
azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBaseImageObjectDetectionJob
Konstruktor
ImageObjectDetectionJob(*, primary_metric: str | ObjectDetectionPrimaryMetrics | 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 AutoML-bild lodräta. |
set_sweep |
Rensa inställningar för alla AutoML Image Verticals. |
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
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
extend_search_space
Lägg till sökutrymme för autoML-objektidentifiering och segmentering av bildinstanser.
extend_search_space(value: SearchSpace | List[SearchSpace]) -> None
Parametrar
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_data
set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_limits
Begränsa inställningarna för alla AutoML-bild lodräta.
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
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
set_sweep
Rensa inställningar för alla AutoML Image Verticals.
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 uppsägning.
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
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 optimeraren är "adam" eller "adamw".
- beta1
- float
Värdet "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].
- beta2
- float
Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör 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 du vill använda distribuerad träning.
- early_stopping
- bool
Aktivera tidig stopplogik under träning.
- early_stopping_delay
- int
Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen spåras för tidig stoppning. 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 vid export av ONNX-modell.
- 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 medan 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 en flottör i intervallet [0, 1].
- learning_rate_scheduler
Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "step". Möjliga värden är: "None", "WarmupCosine", "Step".
- model_name
Namnet på den modell 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 av momentum när optimizern är "sgd". Måste vara ett flyttal i intervallet [0, 1].
- nesterov
- bool
Aktivera nesterov när optimizern 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 deterministisk träning används.
- step_lr_gamma
- float
Värdet av gamma när learning rate scheduler är "step". Måste vara ett flyttal i intervallet [0, 1].
- step_lr_step_size
- int
Värdet för stegstorlek när learning rate scheduler är "step". 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 learning rate scheduler är "warmup_cosine". Måste vara ett flyttal i intervallet [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Värdet för uppvärmningsepoker när learning rate scheduler är "warmup_cosine". Måste vara ett positivt heltal.
- weight_decay
- float
Värdet för viktförfall när optimizern är "sgd", "adam" eller "adamw". Måste vara ett flyttal 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 ett flyttal i intervallet[0, 1].
- image_size
Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan hamna i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds bara 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 hamna 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 stamnätet. Måste vara ett positivt heltal. Obs! Träningskörningen kan hamna 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 hamna i CUDA OOM om modellstorleken är för stor. Obs! De här inställningarna stöds bara för yolov5-algoritmen.
- multi_scale
Aktivera flerskalig bild genom att variera bildstorleken med +/- 50 %. Obs! Träningskörning kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds bara 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 med 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
Överlappande förhållande 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
Måttberäkningsmetod 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 valideringsförlust ska loggas eller inte. Måste vara "Aktivera" eller "Inaktivera"
Undantag
Upphöjt om dest är en filsökväg och filen redan finns.
Upphöjt om dest är en öppen fil och filen inte kan skrivas.
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.
Start – Körningen har börjat bearbetas i molnet. Anroparen har ett körnings-ID just nu.
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 placeras i kö på beräkningsmålet. I BatchAI är jobbet till exempel i ett köat tillstånd
medan du väntar 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.
Slutförd – körningen har slutförts. Detta omfattar både körning och körning av användarkod
efterbearbetningssteg.
Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.
Avbryts – följer en begäran om annullering och anger att körningen nu har avbrutits.
Svarar inte – För körningar som har Pulsslag aktiverat har inga pulsslag nyligen skickats.
Returer
Status för jobbet.
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
Feedback
https://aka.ms/ContentUserFeedback.
Kommer snart: Under hela 2024 kommer vi att fasa ut GitHub-problem som feedbackmekanism för innehåll och ersätta det med ett nytt feedbacksystem. Mer information finns i:Skicka och visa feedback för