Özel modeli etiketleme ve eğitma
Görüntülerinizi blob depolamaya yükleyip veri kümenizi oluşturduktan sonra, sonraki adım görüntülerinizi etiketlemek ve sonuçta elde edilen COCO dosyasını bağlamaktır. Eğitim resimleriniz için zaten bir COCO dosyanız varsa etiketleme adımını atlayabilirsiniz.
Eğitim görüntülerinizi etiketleme
Eğitim görüntülerinizi etiketleme işlemi, Veri Etiketleme Projesi kullanılarak Azure Machine Learning stüdyosu yapılır. Eğitim resimleriniz için eksiksiz ve doğru etiketlere sahip olmak, eğitilen modelinizin performansını büyük ölçüde artırır. Resimlerinizi etiketlediğinizde, etiketleri doğru bir şekilde atadığınızdan ve her sınıfın tüm örneklerini tamamen etiketlediğinizden emin olun.
Vision Studio'daki veri kümenizde yeni bir Azure Machine Learning Veri Etiketleme projesi oluşturun veya Azure Machine Learning stüdyosu'de bir proje oluşturduysanız mevcut projeye bağlanın.
Projeniz oluşturulduktan sonra bu düğmeyi seçtiğinizde Azure Machine Learning Studio'ya gidin ve etiketleme projesini açın. Azure Machine Learning Veri Etiketleme'de resimleriniz veya nesneleriniz (elma, turuncu, muz gibi) için kategoriler ekleyebilirsiniz. Kategorileriniz olduktan sonra projenizi başlatın ve etiketleme sekmesine gidin. Kategori başına 3-5 resim etiketlemeniz gerekir.
Resimlerin bir alt kümesi için sağladığınız bazı etiketleri alan ve kalan görüntüleri sizin için etiketlemeye çalışan ML destekli etiketleme gibi etiketlemeye yardımcı olacak Azure Machine Learning araçları vardır. Bu özellikleri kullanıyorsanız, doğru olduklarından emin olmak için etiketleri gözden geçirmek önemlidir. Bunlar doğru değilse, eğitilen modelinizin performansı düşer.
Etiketleme tamamlandığında ve tüm eğitim görüntüleri doğru şekilde sınıflandırıldığında veya etiketlendiğinde, COCO dosyanızı doğrudan Azure Machine Learning çalışma alanınızdan veri kümenize ekleyebilirsiniz.
Modelinizi eğitin
Tüm eğitim görüntüleri etiketlendiğinde, sonraki adım modelinizi eğitmektir. Modeli eğitirken model türünü seçin, eğitim verileri olarak kullanmak istediğiniz veri kümesini belirtin ve eğitim bütçesini belirtin. Eğitim bütçesi, eğitimin ne kadar süreyle çalıştırılacağına ilişkin bir üst sınırdır; eğitim için kullanılan gerçek süre genellikle belirtilen bütçeden daha kısadır.
Modeliniz eğitildikten sonra modeli seçtiğinizde değerlendirme çalıştırmasının performansını görüntüleyebilirsiniz. Modelinizi eğitirken bir değerlendirme veri kümesi sağlanmazsa, varsayılan değerlendirme çalıştırmasını kullanır. Varsayılan değerlendirme çalıştırması, etiketlenmiş görüntülerin küçük bir kümesini eğitim kümesinden alır, bu alt kümedeki tahminler için eğitilen modeli kullanır ve tahminleri sağlanan etiketlerle karşılaştırır.
Eğitilen model sayfasından farklı bir görüntü kümesinde yeni değerlendirme çalıştırmaları tetikleyebilir veya sayfanın üst kısmındaki sekmeyi seçerek Vision Studio'da kendi testlerinizi deneyebilirsiniz.