ImageInstanceSegmentationJob Clase
Configuración del trabajo de segmentación de instancias de imagen de AutoML.
Inicialice un nuevo trabajo de segmentación de instancia de imagen de AutoML.
- Herencia
-
azure.ai.ml.entities._job.automl.image.automl_image_object_detection_base.AutoMLImageObjectDetectionBaseImageInstanceSegmentationJob
Constructor
ImageInstanceSegmentationJob(*, primary_metric: str | InstanceSegmentationPrimaryMetrics | None = None, **kwargs)
Parámetros
- primary_metric
Métrica principal que se va a usar para la optimización
- kwargs
Argumentos específicos del trabajo
Métodos
dump |
Volca el contenido del trabajo en un archivo en formato YAML. |
extend_search_space |
Agregue espacio de búsqueda para las tareas Detección de objetos de imagen autoML e Segmentación de instancias de imagen. |
set_data | |
set_limits |
Limite la configuración de todos los verticales de imagen autoML. |
set_sweep |
Configuración de barrido para todos los verticales de imagen autoML. |
set_training_parameters |
Establecer parámetros de entrenamiento de imágenes para para las tareas de detección de objetos de imagen y segmentación de instancias de imagen de AutoML. |
dump
Volca el contenido del trabajo en un archivo en formato YAML.
dump(dest: str | PathLike | IO, **kwargs) -> None
Parámetros
Ruta de acceso local o secuencia de archivos en la que se va a escribir el contenido de YAML. Si dest es una ruta de acceso de archivo, se creará un nuevo archivo. Si dest es un archivo abierto, el archivo se escribirá directamente.
- kwargs
- dict
Argumentos adicionales para pasar al serializador YAML.
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
extend_search_space
Agregue espacio de búsqueda para las tareas Detección de objetos de imagen autoML e Segmentación de instancias de imagen.
extend_search_space(value: SearchSpace | List[SearchSpace]) -> None
Parámetros
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
set_data
set_data(*, training_data: Input, target_column_name: str, validation_data: Input | None = None, validation_data_size: float | None = None) -> None
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
set_limits
Limite la configuración de todos los verticales de imagen autoML.
set_limits(*, max_concurrent_trials: int | None = None, max_trials: int | None = None, timeout_minutes: int | None = None) -> None
Parámetros
- timeout_minutes
- timedelta
Tiempo de espera del trabajo de AutoML.
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
set_sweep
Configuración de barrido para todos los verticales de imagen autoML.
set_sweep(*, sampling_algorithm: str | Random | Grid | Bayesian, early_termination: BanditPolicy | MedianStoppingPolicy | TruncationSelectionPolicy | None = None) -> None
Parámetros
- sampling_algorithm
Necesario. [Obligatorio] Tipo de los algoritmos de muestreo de hiperparámetros. Entre los valores posibles se incluyen: "Grid", "Random", "Bayesian".
- early_termination
- Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]
Tipo de directiva de terminación anticipada.
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
set_training_parameters
Establecer parámetros de entrenamiento de imágenes para para las tareas de detección de objetos de imagen y segmentación de instancias de imagen de AutoML.
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
Parámetros
- advanced_settings
- str
Configuración de escenarios avanzados.
- ams_gradient
- bool
Habilite AMSGrad cuando el optimizador sea "adam" o "adamw".
- beta1
- float
Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
- beta2
- float
Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
- checkpoint_frequency
- int
Frecuencia para almacenar puntos de control del modelo. Debe ser un entero positivo.
- checkpoint_run_id
- str
Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental.
- distributed
- bool
Si se va a usar el entrenamiento distribuido.
- early_stopping
- bool
Habilite la lógica de detención temprana durante el entrenamiento.
- early_stopping_delay
- int
Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de que se realice un seguimiento de la mejora de la métrica principal para la detención temprana. Debe ser un entero positivo.
- early_stopping_patience
- int
Número mínimo de épocas o evaluaciones de validación sin ninguna mejora de métrica principal antes de que se detenga la ejecución. Debe ser un entero positivo.
- enable_onnx_normalization
- bool
Habilite la normalización al exportar el modelo ONNX.
- evaluation_frequency
- int
Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo.
- gradient_accumulation_step
- int
La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.
- layers_to_freeze
Número de capas que se van a inmovilizar para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa la capa de congelación 0 y la capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long
- learning_rate
- float
Velocidad de aprendizaje inicial. Debe ser un valor float en el intervalo [0, 1].
- learning_rate_scheduler
Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". Entre los valores posibles se incluyen: "None", "WarmupCosine", "Step".
- model_name
Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valor de impulso cuando el optimizador es "sgd". Debe ser un valor float en el intervalo [0, 1].
- nesterov
- bool
Habilite nesterov cuando el optimizador sea "sgd".
- number_of_epochs
- int
Número de épocas de entrenamiento. Debe ser un entero positivo.
- number_of_workers
- int
Número de trabajos del cargador de datos. Debe ser un entero no negativo.
- optimizer
Tipo de optimizador. Entre los valores posibles se incluyen: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Inicialización aleatoria que se usará al usar el entrenamiento determinista.
- step_lr_gamma
- float
Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un valor float en el intervalo [0, 1].
- step_lr_step_size
- int
Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo.
- training_batch_size
- int
Tamaño del lote de entrenamiento. Debe ser un entero positivo.
- validation_batch_size
- int
Tamaño del lote de validación. Debe ser un entero positivo.
- warmup_cosine_lr_cycles
- float
Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un valor float en el intervalo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo.
- weight_decay
- float
Valor de descomposición de peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un float en el intervalo[0, 1].
- box_detections_per_image
Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- box_score_threshold
- float
Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un float en el intervalo[0, 1].
- image_size
Tamaño de imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede entrar en CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5".
- max_size
Tamaño máximo de la imagen que se va a volver a escalar antes de proporcionársela a la red troncal. Debe ser un entero positivo. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- min_size
Tamaño mínimo de la imagen que se va a volver a escalar antes de proporcionársela a la red troncal. Debe ser un entero positivo. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- model_size
Tamaño del modelo. Debe ser "pequeño", "mediano", "grande" o "extra_large". Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5".
- multi_scale
Habilite la imagen de escala múltiple variando el tamaño de la imagen por +/- 50 %. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5".
- nms_iou_threshold
- float
Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser float en el intervalo [0, 1].
- tile_grid_size
Tamaño de la cuadrícula que se usará para la colocación en mosaico de cada imagen. Nota: TileGridSize no debe ser None para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn.
- tile_overlap_ratio
- float
Proporción de superposición entre mosaicos adyacentes en cada dimensión. Debe ser float en el intervalo [0, 1).
- tile_predictions_nms_threshold
Umbral IOU que se usará para realizar NMS al combinar predicciones de mosaicos e imágenes. Se usa en la validación o inferencia. Debe ser float en el intervalo [0, 1]. NMS: supresión no máxima.
- validation_iou_threshold
- float
Umbral IOU que se va a usar al calcular la métrica de validación. Debe ser float en el intervalo [0, 1].
- validation_metric_type
- str o ValidationMetricType
Método de cálculo de métricas que se usará para las métricas de validación. Debe ser "none", "coco", "voc" o "coco_voc".
- log_training_metrics
- str o <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
indica si se van a registrar las métricas de entrenamiento. Debe ser "Habilitar" o "Deshabilitar".
- log_validation_loss
- str o <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
indica si se va a registrar o no la pérdida de validación. Debe ser "Habilitar" o "Deshabilitar".
Excepciones
Se genera si dest es una ruta de acceso de archivo y el archivo ya existe.
Se genera si dest es un archivo abierto y el archivo no se puede escribir.
Atributos
base_path
Ruta de acceso base del recurso.
Devoluciones
Ruta de acceso base del recurso.
Tipo de valor devuelto
creation_context
Contexto de creación del recurso.
Devoluciones
Metadatos de creación del recurso.
Tipo de valor devuelto
id
El identificador del recurso.
Devoluciones
Identificador global del recurso, un identificador de Azure Resource Manager (ARM).
Tipo de valor devuelto
inputs
limits
log_files
Archivos de salida del trabajo.
Devoluciones
Diccionario de nombres de registro y direcciones URL.
Tipo de valor devuelto
log_verbosity
outputs
primary_metric
search_space
status
El estado del trabajo.
Los valores comunes devueltos incluyen "Running", "Completed" y "Failed". Todos los valores posibles son:
NotStarted: se trata de un estado temporal en el que se encuentran los objetos Run del lado cliente antes del envío en la nube.
Starting: la ejecución ha empezado a procesarse en la nube. El autor de la llamada tiene un identificador de ejecución en este momento.
Aprovisionamiento: el proceso a petición se está creando para un envío de trabajo determinado.
Preparación: el entorno de ejecución se está preparando y se encuentra en una de estas dos fases:
Compilación de imágenes de Docker
configuración del entorno Conda
En cola: el trabajo se pone en cola en el destino de proceso. Por ejemplo, en BatchAI, el trabajo está en estado en cola.
mientras espera a que todos los nodos solicitados estén listos.
En ejecución: el trabajo se ha iniciado para ejecutarse en el destino de proceso.
Finalización: la ejecución del código de usuario se ha completado y la ejecución está en fases posteriores al procesamiento.
CancelRequested: se ha solicitado la cancelación del trabajo.
Completado: la ejecución se ha completado correctamente. Esto incluye tanto la ejecución del código de usuario como la ejecución
posteriores al procesamiento de la ejecución.
Failed: error en la ejecución. Normalmente, la propiedad Error de una ejecución proporcionará detalles sobre por qué se produjo el error.
Canceled: sigue a una solicitud de cancelación e indica que la ejecución se ha cancelado correctamente.
NotResponding: en el caso de las ejecuciones que tienen los latidos habilitados, no se ha enviado recientemente ningún latido.
Devoluciones
Estado del trabajo.
Tipo de valor devuelto
studio_url
Punto de conexión de Azure ML Studio.
Devoluciones
Dirección URL de la página de detalles del trabajo.
Tipo de valor devuelto
sweep
task_type
Obtiene el tipo de tarea.
Devoluciones
Tipo de tarea que se va a ejecutar. Entre los valores posibles se incluyen: "classification", "regression", "forecasting".
Tipo de valor devuelto
test_data
training_data
Obtener datos de entrenamiento.
Devoluciones
Entrada de datos de entrenamiento
Tipo de valor devuelto
training_parameters
type
validation_data
Obtener datos de validación.
Devoluciones
Entrada de datos de validación
Tipo de valor devuelto
Azure SDK for Python