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 MLTable
getirmeniz gerekir.
Etiketlenmiş eğitim verilerinden JSONL biçiminde bir MLTable
oluşturabilirsiniz.
Etiketli eğitim verileriniz farklı bir biçimdeyse (pascal VOC veya COCO gibi), önce JSONL'ye dönüştürmek için bir dönüştürme betiği kullanabilir ve ardından bir MLTable
oluşturabilirsiniz. Alternatif olarak, Görüntüleri el ile etiketlemek ve Etiketlenmiş verileri AutoML modelinizi eğitmek için kullanmak üzere dışarı aktarmak için Azure Machine Learning'in veri etiketleme aracını kullanabilirsiniz.
Önkoşullar
- AutoML görüntü işleme denemeleri için JSONL dosyaları için kabul edilen şemaları tanıyın.
Etiketlenmiş verileri alma
AutoML kullanarak görüntü işleme modellerini eğitmek için önce etiketlenmiş eğitim verileri almanız gerekir. Görüntülerin buluta yüklenmesi ve 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.
Veri etiketleme görevlerinin oluşturulmasına, yönetilmesine ve izlenmesine yardımcı olur
- Görüntü sınıflandırması (çok sınıflı ve çok etiketli)
- Nesne algılama (sınırlayıcı kutu)
- Örnek segmentasyonu (çokgen)
Kullanmak istediğiniz etiketlenmiş verileriniz varsa etiketlenmiş verilerinizi Azure Machine Learning Veri Kümesi olarak dışarı aktarabilir ve ardından Azure Machine Learning stüdyosu'deki 'Veri Kümeleri' sekmesindeki veri kümesine erişebilirsiniz. Dışarı aktarılan bu veri kümesi, biçim kullanılarak azureml:<tabulardataset_name>:<version>
giriş olarak geçirilebilir. Burada, görüntü işleme modellerini eğitmek için mevcut veri kümesini giriş olarak geçirme örneği verilmiştir.
ŞUNUN 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 yüklemeniz gerekir. Görüntülerinizi Azure Machine Learning Çalışma Alanınızın varsayılan Azure Blob Depolama yükleyebilir ve bir veri varlığı olarak kaydedebilirsiniz.
Aşağıdaki betik, "./data/odFridgeObjects" yolundaki yerel makinenizdeki görüntü verilerini Azure Blob Depolama'deki veri deposuna yükler. Ardından Azure Machine Learning Çalışma Alanınızda "buzdolabı-items-images-object-detection" adlı yeni bir veri varlığı oluşturur.
Azure Machine Learning Çalışma Alanınızda "buzdolabı-items-images-object-detection" adlı bir veri varlığı zaten varsa, veri varlığının sürüm numarasını güncelleştirir ve görüntü verilerinin karşıya yüklendiği yeni konuma işaret eder.
ŞUNUN 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 çalıştırırsınız.
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 ve bunun dışında bir veri varlığı oluşturmak istiyorsanız, yerel makinenizin yolunu sağlamak yerine veri deposundaki verilerin yolunu sağlayarak bunu yapabilirsiniz. Yukarıdaki kodu aşağıdaki kod parçacığıyla güncelleştirin.
ŞUNUN 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: 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 almanız gerekir. Etiketli verilerin şeması, eldeki görüntü işleme görevine bağlıdır. Her görev türü için gerekli JSONL şeması hakkında daha fazla bilgi edinmek için AutoML görüntü işleme denemeleri için JSONL dosyalarının şemalarına bakın.
Eğitim verileriniz farklı bir biçimdeyse (pascal VOC veya COCO gibi), verileri JSONL'ye dönüştürmeye yönelik yardımcı betikler not defteri örneklerinde bulunur.
Yukarıdaki adımları izleyerek jsonl dosyasını oluşturduktan sonra kullanıcı arabirimini kullanarak veri varlığı olarak kaydedebilirsiniz. Bu animasyonda gösterildiği gibi şema bölümündeki türü seçtiğinizden stream
emin olun.
Azure Blob depolamadan önceden etiketlenmiş eğitim verilerini kullanma
Etiketli eğitim verileriniz Azure Blob depolamadaki bir kapsayıcıda bulunuyorsa bu kapsayıcıya başvuran bir veri deposu oluşturarak bu verilere doğrudan buradan erişebilirsiniz.
MLTable oluşturma
Etiketlenmiş verilerinizi JSONL biçiminde aldıktan 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 geçirebilirsinizMLTable
.
Sonraki adımlar
- Otomatik makine öğrenmesi ile görüntü işleme modellerini eğitin.
- Otomatik makine öğrenmesi ile küçük bir nesne algılama modeli eğitin.
- Öğretici: AutoML ve Python ile nesne algılama modelini (önizleme) eğitme.