Görüntüleri içeri aktar
Önemli
Machine Learning Stüdyosu (klasik) desteği 31 Ağustos 2024'te sona erecektir. Bu tarihe kadar Azure Machine Learning'e geçmenizi öneririz.
1 Aralık 2021'den başlayarak artık yeni Machine Learning Stüdyosu (klasik) kaynakları oluşturamayacaksınız. 31 Ağustos 2024'e kadar mevcut Machine Learning Stüdyosu (klasik) kaynaklarını kullanmaya devam edebilirsiniz.
- makine öğrenimi projelerini ML Studio (klasik) konumundan Azure Machine Learning taşımaya yönelik bilgilerebakın.
- Azure Machine Learninghakkında daha fazla bilgi edinin.
ML Stüdyosu (klasik) belgeleri kullanımdan kaldırılacak ve gelecekte güncelleştirilmeyecektir.
Azure BLOB Depolama görüntüleri bir veri kümesine yükler
Kategori: OpenCV kitaplığı modülleri
Not
uygulama hedefi: yalnızca Machine Learning Studio (klasik)
benzer sürükle ve bırak modülleri Azure Machine Learning tasarımcısındakullanılabilir.
Modüle genel bakış
bu makalede, Azure Blob depolama 'dan birden çok görüntü almak ve bunlardan bir görüntü veri kümesi oluşturmak için Machine Learning Studio 'da (klasik) görüntüleri içeri aktarma modülünün nasıl kullanılacağı açıklanır.
Bu modülü, blob depolamadan çalışma alanınıza görüntü yüklemek için kullandığınızda her görüntü, kırmızı, yeşil ve mavi kanallar için, görüntü dosyası adı ile birlikte bir dizi sayısal değere dönüştürülür. Bu tür görüntülerin bir veri kümesi, her biri farklı bir RGB değerleri kümesine ve karşılık gelen görüntü dosyası adlarına sahip bir tabloda birden çok satırdan oluşur. Görüntülerinizi hazırlama ve BLOB depolamaya bağlanma hakkında yönergeler için bkz. görüntüleri Içeri aktarma.
Tüm görüntülerinizi dönüştürdükten sonra, bu veri kümesini puan modeli modülüne geçirebilir ve görüntü türünü tahmin etmek için önceden eğitilen bir görüntü sınıflandırma modeli bağlayabilirsiniz.
Machine Learning için kullanılan her türlü görüntüyü içeri aktarabilirsiniz; Ancak, işlenen görüntülerin türleri ve boyutu dahil olmak üzere sınırlamalar vardır. Teknik notlar bölümüne bakın.
Görüntüleri Içeri aktarma kullanma
Bu örnekte, Azure Blob depolama alanında hesabınıza birden çok görüntü yüklediğiniz varsayılmaktadır. Görüntüler yalnızca bu amaçla belirlenen bir kapsayıcıdır. Kural olarak, her görüntü oldukça küçük olmalı ve aynı boyutlara ve renk kanallarına sahip olmalıdır. Görüntüler için uygulanan gereksinimlerin ayrıntılı bir listesi için Teknik notlar bölümüne bakın.
Görüntü Içeri aktarma modülünü Studio 'daki denemenize ekleyin (klasik).
Önceden eğitimli basamaklı görüntü sınıflandırmasını ve puan modeli modülünü ekleyin.
Görüntüleri Içeri aktarma modülünde, görüntülerin konumunu yapılandırın ve kimlik doğrulama yöntemi olan özel veya genel ' i belirtin:
Görüntü kümesi, paylaşılan erişim imzaları(SAS) aracılığıyla genel erişim için yapılandırılmış bir Blobun ise, görüntüleri tutan kapsayıcının URL 'sini yazın.
Görüntüler Azure depolama 'da özel bir hesapta depolanıyorsa, Hesap' ı seçin ve ardından yönetim portalında görüntülenen hesap adını yazın. Ardından, birincil veya ikincil hesap anahtarını yapıştırın.
Kapsayıcının yoluiçin, yalnızca kapsayıcı adını ve diğer yol öğelerini yazın.
görüntüleri puan modeli modülüne aktarma Bağlan.
Denemeyi çalıştırın.
Sonuçlar
Çıktı veri kümesinin her satırı bir görüntüden veri içerir. Satırlar, görüntü adına göre alfabetik olarak sıralanır ve sütunlar aşağıdaki bilgileri bu sırayla içerir:
- İlk sütun, görüntü adlarını içerir.
- Diğer tüm sütunlar kırmızı, yeşil ve mavi renk kanallarından, bu sırayla düzleştirilmiş verileri içerir.
- Saydam kanal yok sayılır.
Görüntünün ve görüntü biçiminin renk derinliğine bağlı olarak, tek bir görüntü için binlerce sütun olabilir. Bu nedenle, denemenin sonuçlarını görüntülemek için, veri kümesi modülüne Select sütunlarını eklemenizi ve yalnızca şu sütunları seçmenizi öneririz:
- Görüntü Adı
- Puanlanmış Etiketler
- Puanlanmış olasılıklara
Teknik notlar
Bu bölümde, sık sorulan soruların uygulama ayrıntıları, ipuçları ve yanıtları yer almaktadır
Desteklenen görüntü biçimleri
Görüntüleri Içeri aktarma modülü, dosyanın uzantısı tarafından değil, içeriğin ilk birkaç baytını okuyarak bir görüntünün türünü belirler. Bu bilgilere bağlı olarak, görüntünün desteklenen görüntü biçimlerinden biri olup olmadığını belirler.
- Windows bit eşlem dosyaları: .bmp,. dib
- JPEG dosyaları:. jpeg, .jpg,. jpe
- JPEG 2000 dosyaları:. jp2
- Taşınabilir Ağ Grafikleri: .png
- Taşınabilir görüntü biçimi:. PBM,. PGM,. ppm
- Sun Raster:. SR,. RAS
- TIFF dosyaları:. tiff,. tif
Görüntü gereksinimleri
Görüntüleri Içeri aktarma modülü tarafından işlenen görüntüler için aşağıdaki gereksinimler geçerlidir:
- Tüm görüntüler aynı şekilde olmalıdır.
- Tüm görüntülerin renk kanalları aynı olmalıdır. Örneğin, RBG görüntüleriyle gri tonlamalı görüntüleri karıştıramazsınız.
- Görüntü başına 65536 piksel sınırı vardır. Ancak, görüntü sayısı sınırlı değildir.
- Kaynak olarak bir blob kapsayıcısı belirtirseniz, kapsayıcı diğer veri türlerini içermemelidir. Kapsayıcının, modülü çalıştırmadan önce yalnızca görüntüleri içerdiğinden emin olun.
Diğer kısıtlamalar
Önceden eğitilen görüntü sınıflandırma modülünü kullanmayı düşünüyorsanız, şu anda yalnızca en yatay görünümde yüzlerin tanınmasını desteklediğini unutmayın; diğer resim sınıflandırıcıları henüz kullanılabilir değil.
Görüntü veri kümelerini şu modüllerle kullanamazsınız: eğitme, çapraz doğrulama modeli.
Modül parametreleri
| Name | Aralık | Tür | Varsayılan | Description |
|---|---|---|---|---|
| Lütfen kimlik doğrulama türünü belirtin | Liste | AuthenticationType | Hesap | Ortak veya paylaşılan erişim Imzası (SAS) URI 'SI veya Kullanıcı kimlik bilgileri |
| URI | Herhangi biri | Dize | yok | SAS veya genel erişimle Tekdüzen Kaynak tanımlayıcısı |
| Hesap adı | Herhangi biri | Dize | yok | Azure Depolama hesabının adı |
| Hesap anahtarı | Herhangi biri | SecureString | yok | Azure Depolama hesabıyla ilişkili anahtar |
| Kapsayıcı, dizin veya blob yolu | Herhangi biri | Dize | yok | Blobun veya tablo adının yolu |
Çıktı
| Ad | Tür | Description |
|---|---|---|
| Sonuç veri kümesi | Veri tablosu | İndirilen görüntülerle veri kümesi |
Özel durumlar
| Özel durum | Description |
|---|---|
| Hata 0003 | Bir veya daha fazla giriş null veya boş olduğunda özel durum oluşur. |
| Hata 0029 | Geçersiz URI geçirildiğinde özel durum oluşur. |
| Hata 0009 | Azure depolama hesabı adı veya kapsayıcı adı yanlış belirtilmişse özel durum oluşur. |
| Hata 0015 | Veritabanı bağlantısı başarısız olursa özel durum oluşur. |
| Hata 0030 | Bir dosya indirilamadığınızda özel durum oluşur. |
| Hata 0049 | Bir dosya ayrıştırılmaya mümkün olmadığında özel durum oluşur. |
| Hata 0048 | Bir dosya açmak mümkün olmadığında özel durum oluşur. |
Studio (klasik) modüllerine özgü hataların listesi için bkz. Machine Learning hata kodları.
apı özel durumlarının listesi için bkz. Machine Learning REST API hata kodları.
Ayrıca bkz.
Önceden eğitilen basamaklı görüntü sınıflandırması
A-Z modül listesi