ImageInstanceSegmentationJob Classe

  • Référence

Configuration du travail de segmentation d’instance d’image AutoML.

Initialisez un nouveau travail de segmentation d’instance d’image AutoML.

Héritage
azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBase
ImageInstanceSegmentationJob

Constructeur

ImageInstanceSegmentationJob(*, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, **kwargs)

Paramètres

primary_metric
Obligatoire

Métrique principale à utiliser pour l’optimisation

kwargs
Obligatoire

Arguments spécifiques au travail

Méthodes

dump

Vide le contenu du travail dans un fichier au format YAML.
extend_search_space

Ajoutez un espace de recherche pour les tâches de détection d’objets d’image AutoML et de segmentation d’instance d’image.
set_data
set_limits

Limitez les paramètres pour tous les verticales d’images AutoML.
set_sweep

Paramètres de balayage pour tous les verticales d’images AutoML.
set_training_parameters

Définition des paramètres d’entraînement d’image pour pour les tâches de détection d’objets d’image AutoML et de segmentation d’instance d’image.

dump

Vide le contenu du travail dans un fichier au format YAML.

dump(dest: str | PathLike | IO, **kwargs) -> None

Paramètres

dest
Union[<xref:PathLike>, str, IO[AnyStr]]
Obligatoire

Chemin d’accès local ou flux de fichiers dans lequel écrire le contenu YAML. Si dest est un chemin de fichier, un nouveau fichier est créé. Si dest est un fichier ouvert, le fichier est écrit directement dans.

kwargs
dict

Arguments supplémentaires à passer au sérialiseur YAML.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

extend_search_space

Ajoutez un espace de recherche pour les tâches de détection d’objets d’image AutoML et de segmentation d’instance d’image.

extend_search_space(value: SearchSpace | List[SearchSpace]) -> None

Paramètres

value
Union[SearchSpace, List[SearchSpace]]
Obligatoire

Rechercher dans l’espace des paramètres

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_data 

set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_limits

Limitez les paramètres pour tous les verticales d’images AutoML.

set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None

Paramètres

timeout_minutes
timedelta

Délai d’expiration du travail AutoML.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_sweep

Paramètres de balayage pour tous les verticales d’images AutoML.

set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None

Paramètres

sampling_algorithm

Obligatoire. [Obligatoire] Type des algorithmes d’échantillonnage des hyperparamètres. Les valeurs possibles sont les suivantes : « Grid », « Random », « Bayésian ».

early_termination
Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Type de stratégie d’arrêt anticipé.

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

set_training_parameters

Définition des paramètres d’entraînement d’image pour pour les tâches de détection d’objets d’image AutoML et de segmentation d’instance d’image.

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

Paramètres

advanced_settings
str

Paramètres pour les scénarios avancés.

ams_gradient
bool

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

beta1
float

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

beta2
float

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

checkpoint_frequency
int

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.

checkpoint_run_id
str

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

distributed
bool

Indique s’il faut utiliser l’entraînement distribué.

early_stopping
bool

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.

early_stopping_delay
int

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques principales soit suivie pour un arrêt précoce. Cette valeur doit être un entier positif.

early_stopping_patience
int

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif.

enable_onnx_normalization
bool

Activez la normalisation lors de l’exportation du modèle ONNX.

evaluation_frequency
int

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.

gradient_accumulation_step
int

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis utiliser les dégradés accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif.

layers_to_freeze

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le fait de passer 2 comme valeur pour « seresnext » signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de la couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint : disable=line-too-long

learning_rate
float

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].

learning_rate_scheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». Les valeurs possibles sont les suivantes : « None », « WarmupCosine », « Step ».

model_name

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float

Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].

nesterov
bool

Activez nesterov lorsque l’optimiseur est « sgd ».

number_of_epochs
int

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.

number_of_workers
int

Nombre de workers du chargeur de données. Doit être un entier non négatif.

optimizer

Type d’optimiseur. Les valeurs possibles sont les suivantes : « None », « Sgd », « Adam », « Adamw ».

random_seed
int

Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

step_lr_gamma
float

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].

step_lr_step_size
int

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif.

training_batch_size
int

Taille du lot d’entraînement. Cette valeur doit être un entier positif.

validation_batch_size
int

Taille du lot de validation. Cette valeur doit être un entier positif.

warmup_cosine_lr_cycles
float

Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].

warmup_cosine_lr_warmup_epochs
int

Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.

weight_decay
float

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

box_detections_per_image

Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

box_score_threshold
float

Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].

image_size

Taille de l’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut être intégrée à CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ».

max_size

Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

min_size

Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

model_size

Taille du modèle. Doit être « small », « medium », « large » ou « extra_large ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ».

multi_scale

Activez l’image à plusieurs échelles en faisant varier la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ».

nms_iou_threshold
float

Seuil d’IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1].

tile_grid_size

Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas avoir la valeur None pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn.

tile_overlap_ratio
float

Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1).

tile_predictions_nms_threshold

Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. NMS : suppression non maximale.

validation_iou_threshold
float

Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1].

validation_metric_type
str ou ValidationMetricType

Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ».

log_training_metrics
str ou <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>

indique s’il faut ou non journaliser les métriques d’entraînement. Doit être « Activer » ou « Désactiver »

log_validation_loss
str ou <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>

indique s’il faut enregistrer ou non la perte de validation. Doit être « Activer » ou « Désactiver »

Exceptions

FileExistsError

Déclenché si dest est un chemin de fichier et que le fichier existe déjà.

IOError

Déclenché si dest est un fichier ouvert et que le fichier n’est pas accessible en écriture.

Attributs

base_path

Chemin de base de la ressource.

Retours

Chemin de base de la ressource.

Type de retour

str

creation_context

Contexte de création de la ressource.

Retours

Métadonnées de création de la ressource.

Type de retour

Optional[SystemData]

id

ID de la ressource.

Retours

L’ID global de la ressource, un ID Azure Resource Manager (ARM).

Type de retour

Optional[str]

inputs

limits

log_files

Fichiers de sortie de travail.

Retours

Dictionnaire des noms de journaux et des URL.

Type de retour

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

État du travail.

Les valeurs courantes retournées sont « Exécution en cours (Running) », « Terminé (Finished) » et « Échec (Failed) ». Toutes les valeurs possibles sont les suivantes :

  • NotStarted : il s’agit d’un état temporaire dans lequel les objets Run côté client se trouvent avant la soumission au cloud.

  • Démarrage : l’exécution a commencé à être traitée dans le cloud. L’appelant a un ID d’exécution à ce stade.

  • Approvisionnement : le calcul à la demande est en cours de création pour une soumission de travail donnée.

  • Préparation : l’environnement d’exécution est en cours de préparation et se trouve dans l’une des deux étapes suivantes :

    • Build d’image Docker

    • Configuration de l’environnement Conda

  • Mis en file d’attente : le travail est mis en file d’attente sur la cible de calcul. Par exemple, dans BatchAI, le travail est dans un état mis en file d’attente

    en attendant que tous les nœuds demandés soient prêts.

  • Exécution : le travail a commencé à s’exécuter sur la cible de calcul.

  • Finalisation : l’exécution du code utilisateur est terminée et l’exécution est en phases de post-traitement.

  • CancelRequested : l’annulation a été demandée pour le travail.

  • Terminé : l’exécution s’est terminée avec succès. Cela inclut à la fois l’exécution du code utilisateur et l’exécution

    Étapes de post-traitement.

  • Failed (Échec) : l’exécution a échoué. En règle générale, la propriété Error d’une exécution fournit des détails sur la raison de l’échec.

  • Annulé : suit une demande d’annulation et indique que l’exécution a bien été annulée.

  • NotResponding : pour les exécutions pour lesquelles des pulsations sont activées, aucune pulsation n’a été envoyée récemment.

Retours

État du travail.

Type de retour

Optional[str]

studio_url

Point de terminaison Azure ML Studio.

Retours

URL de la page de détails du travail.

Type de retour

Optional[str]

sweep

task_type

Obtenir le type de tâche.

Retours

Type de tâche à exécuter. Les valeurs possibles sont les suivantes : « classification », « régression », « forecasting ».

Type de retour

str

test_data

Obtenir des données de test.

Retours

Entrée de données de test

Type de retour

Input

training_data

Obtenir des données d’entraînement.

Retours

Entrée de données d’apprentissage

Type de retour

Input

training_parameters

type

Type du travail.

Retours

Type du travail.

Type de retour

Optional[str]

validation_data

Obtenir des données de validation.

Retours

Entrée de données de validation

Type de retour

Input