Afbeeldingen importeren
Belangrijk
De ondersteuning voor Azure Machine Learning-studio (klassiek) eindigt op 31 augustus 2024. U wordt aangeraden om vóór die datum over te stappen naar Azure Machine Learning.
Vanaf 1 december 2021 kunt u geen nieuwe resources voor Azure Machine Learning-studio (klassiek) meer maken. Tot en met 31 augustus 2024 kunt u de bestaande resources van Azure Machine Learning-studio (klassiek) blijven gebruiken.
- Zie informatie over het verplaatsen machine learning van ML Studio (klassiek) naar Azure Machine Learning.
- Meer informatie over Azure Machine Learning.
De documentatie van ML-studio (klassiek) wordt buiten gebruik gesteld en wordt in de toekomst mogelijk niet meer bijgewerkt.
Laadt afbeeldingen van Azure BLOB-Storage in een gegevensset
Categorie: OpenCV-bibliotheekmodules
Notitie
Van toepassing op: Machine Learning Studio (klassiek)
Vergelijkbare modules voor slepen en neerzetten zijn beschikbaar in Azure Machine Learning designer.
Moduleoverzicht
In dit artikel wordt beschreven hoe u de module Afbeeldingen importeren in Machine Learning Studio (klassiek) gebruikt om meerdere afbeeldingen op te halen uit Azure Blob Storage en er een afbeeldingsset van te maken.
Wanneer u deze module gebruikt om afbeeldingen uit blobopslag in uw werkruimte te laden, wordt elke afbeelding geconverteerd naar een reeks numerieke waarden voor de rode, groene en blauwe kanalen, samen met de bestandsnaam van de afbeelding. Een gegevensset van dergelijke afbeeldingen bestaat uit meerdere rijen in een tabel, elk met een andere set RGB-waarden en bijbehorende namen van afbeeldingsbestand. Zie Afbeeldingen importeren voor instructies over het voorbereiden van uw afbeeldingen en het maken van verbinding met blobopslag.
Nadat u al uw afbeeldingen hebt geconverteerd, kunt u deze gegevensset doorgeven aan de module Score Model en een vooraf getraind afbeeldingsclassificatiemodel verbinden om het afbeeldingstype te voorspellen.
U kunt elk soort afbeeldingen importeren dat wordt gebruikt voor machine learning; Er zijn echter beperkingen, waaronder de typen en de grootte van afbeeldingen die kunnen worden verwerkt. Zie de sectie Technische notities .
Afbeeldingen importeren gebruiken
In dit voorbeeld wordt ervan uitgenomen dat u meerdere afbeeldingen hebt geüpload naar uw account in Azure Blob Storage. De afbeeldingen staan in een container die alleen voor dat doel is aangewezen. Als regel moet elke afbeelding redelijk klein zijn en dezelfde afmetingen en kleurkanalen hebben. Zie de sectie Technische notities voor een gedetailleerde lijst met vereisten die van toepassing zijn op afbeeldingen .
Voeg de module Afbeeldingen importeren toe aan uw experiment in Studio (klassiek).
Voeg de module Pretrained Cascade Image Classification enscore model toe.
Configureer in de module Afbeeldingen importeren de locatie van de afbeeldingen en geef de verificatiemethode privé of openbaar op:
Als de afbeeldingenset zich in een blob die is geconfigureerd voor openbare toegang via Shared Access Signatures (SAS), typt u de URL naar de container die de afbeeldingen bevat.
Als de afbeeldingen zijn opgeslagen in een privéaccount in Azure Storage, selecteert u Account en typt u de accountnaam zoals deze wordt weergegeven in de beheerportal. Plak vervolgens de primaire of secundaire accountsleutel.
Bij Pad naar container typt u alleen de containernaam en geen andere padelementen.
Verbinding maken uitvoer van Afbeeldingen importeren in de module Score Model.
Voer het experiment uit.
Resultaten
Elke rij van de uitvoergegevensset bevat gegevens uit één afbeelding. De rijen worden alfabetisch gesorteerd op afbeeldingsnaam en de kolommen bevatten de volgende informatie, in deze volgorde:
- De eerste kolom bevat namen van afbeeldingen.
- Alle andere kolommen bevatten platte gegevens uit de rode, groene en blauwe kleurkanalen, in die volgorde.
- Het transparantiekanaal wordt genegeerd.
Afhankelijk van de kleurdiepte van de afbeelding en de afbeeldingsindeling, kunnen er vele duizenden kolommen voor één afbeelding zijn. Daarom raden we u aan om de module Kolommen in gegevensset selecteren toe te voegen en alleen deze kolommen te selecteren om de resultaten van het experiment weer te geven:
- Naam van installatiekopie
- Labels met een score
- Scored Waarschijnlijkheden
Technische opmerkingen
Deze sectie bevat implementatiedetails, tips en antwoorden op veelgestelde vragen
Ondersteunde afbeeldingsindelingen
De module Afbeeldingen importeren bepaalt het type afbeelding door de eerste paar bytes van de inhoud te lezen, niet door de bestandsextensie. Op basis van deze informatie wordt bepaald of de afbeelding een van de ondersteunde afbeeldingsindelingen is.
- Windows bitmapbestanden: .bmp, .dib
- JPEG-bestanden: .jpeg, .jpg, .jpe
- JPEG 2000-bestanden: .jp2
- Portable Network Graphics: .png
- Portable image format: .pbm, .pgm, .ppm
- Sun Raster: .sr, .ras
- TIFF-bestanden: .tiff, .tif
Vereisten voor installatiekopieën
De volgende vereisten zijn van toepassing op afbeeldingen die worden verwerkt door de module Afbeeldingen importeren:
- Alle afbeeldingen moeten dezelfde vorm hebben.
- Alle afbeeldingen moeten dezelfde kleurkanalen hebben. U kunt bijvoorbeeld afbeeldingen in grijstinten niet combineren met RBG-afbeeldingen.
- Er is een limiet van 65536 pixels per afbeelding. Het aantal afbeeldingen is echter niet beperkt.
- Als u een blobcontainer opgeeft als bron, mag de container geen andere typen gegevens bevatten. Zorg ervoor dat de container alleen afbeeldingen bevat voordat u de module gaat uitvoeren.
Andere beperkingen
Als u van plan bent om de module Pretrained Cascade Image Classification te gebruiken, moet u er rekening mee houden dat deze momenteel alleen ondersteuning biedt voor de herkenning van gezichten in de frontale weergave; andere afbeeldingsclassificatoren zijn nog niet beschikbaar.
U kunt geen afbeeldingssets gebruiken met deze modules: Trainen, Model kruis valideren.
Moduleparameters
| Name | Bereik | Type | Standaard | Beschrijving |
|---|---|---|---|---|
| Geef het verificatietype op | Lijst | AuthenticationType | Account | Openbare of Shared Access Signature (SAS) URI of gebruikersreferenties |
| URI | Alle | Tekenreeks | geen | Uniform Resource Identifier met SAS of openbare toegang |
| Accountnaam | Alle | Tekenreeks | geen | Naam van het Azure Storage account |
| Accountsleutel | Alle | SecureString | geen | Sleutel die is gekoppeld aan het Azure Storage account |
| Pad naar container, map of blob | Alle | Tekenreeks | geen | Pad naar blob of naam van tabel |
Uitvoer
| Naam | Type | Description |
|---|---|---|
| Gegevensset met resultaten | Gegevenstabel | Gegevensset met gedownloade afbeeldingen |
Uitzonderingen
| Uitzondering | Description |
|---|---|
| Fout 0003 | Uitzondering treedt op als een of meer invoer null of leeg zijn. |
| Fout 0029 | Er treedt een uitzondering op wanneer een ongeldige URI wordt doorgegeven. |
| Fout 0009 | Uitzondering treedt op als de naam van het Azure-opslagaccount of de containernaam onjuist is opgegeven. |
| Fout 0015 | Er treedt een uitzondering op als de databaseverbinding is mislukt. |
| Fout 0030 | Uitzondering treedt op wanneer het niet mogelijk is om een bestand te downloaden. |
| Fout 0049 | Uitzondering treedt op wanneer het niet mogelijk is om een bestand te parseren. |
| Fout 0048 | Uitzondering treedt op wanneer het niet mogelijk is om een bestand te openen. |
Zie Foutcodes voor een lijst met fouten die specifiek zijn Machine Learning voor Studio-modules (klassiek).
Zie Foutcodes voor een lijst Machine Learning REST API API-uitzonderingen.
Zie ook
Vooraf getrainde cascade-afbeeldingsclassificatie
Lijst met A-Z-modules