Aracılığıyla paylaş

Otomatik makine öğrenmesi ile görüntü işleme görevleri için verileri hazırlama

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)

Önemli

Azure Machine Learning'de otomatik ML ile görüntü işleme modellerini eğitma desteği deneysel bir genel önizleme özelliğidir. Bazı özellikler desteklenmiyor olabileceği gibi özellikleri sınırlandırılmış da olabilir. Daha fazla bilgi için bkz. Microsoft Azure Önizlemeleri Ek Kullanım Koşulları.

Bu makalede, Azure Machine Learning'de otomatik makine öğrenmesi ile görüntü işleme modellerini eğitmek için görüntü verilerini hazırlamayı öğreneceksiniz. Otomatik makine öğrenmesi ile görüntü işleme görevlerine yönelik modeller oluşturmak için etiketli görüntü verilerini model eğitimi için giriş olarak biçiminde MLTablegetirmeniz gerekir.

Etiketlenmiş eğitim verilerinden JSONL biçiminde bir MLTable oluşturabilirsiniz. Etiketli eğitim verileriniz Pascal Görsel Nesne Sınıfları (VOC) veya COCO gibi farklı bir biçimdeyse, dönüştürme betiğini kullanarak JSONL'ye dönüştürebilir ve ardından bir MLTableoluşturabilirsiniz. Alternatif olarak, görüntüleri el ile etiketlemek için Azure Machine Learning'in veri etiketleme aracını kullanabilirsiniz. Ardından AutoML modelinizi eğitmek için kullanılacak etiketli verileri dışarı aktarın.

Önkoşullar

Etiketlenmiş verileri alma

AutoML kullanarak görüntü işleme modellerini eğitmek için etiketlenmiş eğitim verileri almanız gerekir. Görüntülerin buluta yüklenmesi gerekir. Etiket ek açıklamalarının JSONL biçiminde olması gerekir. Verilerinizi etiketlemek için Azure Machine Learning Veri Etiketleme aracını kullanabilir veya önceden etiketlenmiş görüntü verileriyle başlayabilirsiniz.

Eğitim verilerinizi etiketlemek için Azure Machine Learning Veri Etiketleme aracını kullanma

Önceden etiketlenmiş verileriniz yoksa, görüntüleri el ile etiketlemek için Azure Machine Learning'in veri etiketleme aracını kullanabilirsiniz. Bu araç, kabul edilen biçimde eğitim için gereken verileri otomatik olarak oluşturur. Daha fazla bilgi için bkz . Görüntü etiketleme projesi ayarlama.

Araç, aşağıdakiler için veri etiketleme görevleri oluşturmaya, yönetmeye ve izlemeye yardımcı olur:

  • Görüntü sınıflandırması (çok sınıflı ve çok etiketli)
  • Nesne algılama (sınırlayıcı kutu)
  • Örnek segmentasyonu (çokgen)

Kullanılacak verileri zaten etiketlediyseniz, etiketlenmiş verileri Azure Machine Learning Veri Kümesi olarak dışarı aktarın ve Azure Machine Learning stüdyosu'deki Veri Kümeleri sekmesindeki veri kümesine erişin. Dışarı aktarılan bu veri kümesini biçim kullanarak azureml:<tabulardataset_name>:<version> giriş olarak geçirebilirsiniz. Daha fazla bilgi için bkz . Etiketleri dışarı aktarma.

Burada, görüntü işleme modellerini eğitmek için mevcut veri kümesini giriş olarak geçirme örneği verilmiştir.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

training_data:
  path: azureml:odFridgeObjectsTrainingDataset:1
  type: mltable
  mode: direct

Yerel makineden önceden etiketlenmiş eğitim verilerini kullanma

Modelinizi eğitmek için kullanmak istediğiniz verileri etiketlediyseniz görüntüleri Azure'a yükleyin. Görüntülerinizi Azure Machine Learning Çalışma Alanınızın varsayılan Azure Blob Depolama yükleyebilirsiniz. Veri varlığı olarak kaydedin. Daha fazla bilgi için bkz . Veri varlıkları oluşturma ve yönetme.

Aşağıdaki betik, ./data/odFridgeObjects yolundaki yerel makinenizdeki görüntü verilerini Azure Blob Depolama'deki veri deposuna yükler. Ardından Azure Machine Learning Çalışma Alanınızda adıyla fridge-items-images-object-detection yeni bir veri varlığı oluşturur.

Azure Machine Learning Çalışma Alanınızda adıyla fridge-items-images-object-detection zaten bir veri varlığı varsa, kod veri varlığının sürüm numarasını güncelleştirir ve görüntü verilerinin karşıya yüklendiği yeni konuma işaret eder.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

Aşağıdaki yapılandırmayla bir .yml dosyası oluşturun.

$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: fridge-items-images-object-detection
description: Fridge-items images Object detection
path: ./data/odFridgeObjects
type: uri_folder

Görüntüleri veri varlığı olarak karşıya yüklemek için, .yml dosyanızın, çalışma alanı adınızın, kaynak grubunuzun ve abonelik kimliğinizin yolunu içeren aşağıdaki CLI v2 komutunu çalıştırın.

az ml data create -f [PATH_TO_YML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Verileriniz zaten mevcut bir veri deposundaysa, bunun dışında bir veri varlığı oluşturabilirsiniz. Yerel makinenizin yolu yerine veri deposundaki verilerin yolunu sağlayın. Önceki kodu aşağıdaki kod parçacığıyla güncelleştirin.

ŞUNLAR IÇIN GEÇERLIDIR: Azure CLI ml uzantısı v2 (geçerli)

Aşağıdaki yapılandırmaya sahip bir .yml dosyası oluşturun.

$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: fridge-items-images-object-detection
description: Fridge-items images Object detection
path: azureml://subscriptions/<my-subscription-id>/resourcegroups/<my-resource-group>/workspaces/<my-workspace>/datastores/<my-datastore>/paths/<path_to_image_data_folder>
type: uri_folder

Ardından etiket ek açıklamalarını JSONL biçiminde alın. Etiketli verilerin şeması, eldeki görüntü işleme görevine bağlıdır. Her görev türü için gerekli JSONL şeması hakkında daha fazla bilgi edinmek için bkz . Otomatik makine öğrenmesi ile görüntü işleme modellerini eğitmek için veri şemaları.

Eğitim verileriniz pascal VOC veya COCO gibi farklı bir biçimdeyse yardımcı betikler verileri JSONL'ye dönüştürebilir. Betikler not defteri örneklerinde bulunur.

.jsonl dosyasını oluşturduktan sonra kullanıcı arabirimini kullanarak veri varlığı olarak kaydedebilirsiniz. Bu animasyonda gösterildiği gibi şema bölümünde türü seçtiğinizden stream emin olun.

Jsonl dosyalarından bir veri varlığını kaydetmeyi gösteren animasyon.

Azure Blob depolamadan önceden etiketlenmiş eğitim verilerini kullanma

Etiketli eğitim verileriniz Azure Blob depolamadaki bir kapsayıcıda mevcutsa, doğrudan erişebilirsiniz. Bu kapsayıcıda bir veri deposu oluşturun. Daha fazla bilgi için bkz . Veri varlıkları oluşturma ve yönetme.

MLTable oluşturma

Etiketli verileriniz JSONL biçiminde olduktan sonra, bu yaml kod parçacığında gösterildiği gibi oluşturmak MLTable için kullanabilirsiniz. MLtable, verilerinizi eğitim için tüketilebilir bir nesneye paketler.

paths:
  - file: ./train_annotations.jsonl
transformations:
  - read_json_lines:
        encoding: utf8
        invalid_lines: error
        include_path_column: false
  - convert_column_types:
      - columns: image_url
        column_type: stream_info

Ardından, Öğesini AutoML eğitim işiniz için veri girişi olarak geçirebilirsiniz MLTable . Daha fazla bilgi için bkz . Görüntü işleme modellerini eğitmek için AutoML'yi ayarlama.

İlgili içerik