Självstudie: skapa ett etikett projekt för bild klassificering med flera klasserTutorial: Create a labeling project for multi-class image classification

gäller för:  Ja Basic Edition  Ja Enterprise Edition                               (Uppgradera till Enterprise Edition) APPLIES TO: yesBasic edition yesEnterprise edition                    (Upgrade to Enterprise edition)

Den här självstudien visar hur du hanterar processen för etiketter (kallas även för taggning) som ska användas som data för att skapa maskin inlärnings modeller.This tutorial shows you how to manage the process of labeling (also referred to as tagging) images to be used as data for building machine learning models. Data etiketter i Azure Machine Learning finns i offentlig för hands version.Data labeling in Azure Machine Learning is in public preview.

Om du vill träna en maskin inlärnings modell för att klassificera bilder, behöver du hundratals eller till och med tusentals bilder som är korrekt märkta.If you want to train a machine learning model to classify images, you need hundreds or even thousands of images that are correctly labeled. Azure Machine Learning hjälper dig att hantera förloppet för ditt privata team av domän experter när de etiketterar dina data.Azure Machine Learning helps you manage the progress of your private team of domain experts as they label your data.

I den här självstudien använder du bilder av katter och hundar.In this tutorial, you'll use images of cats and dogs. Eftersom varje avbildning är antingen en katt eller en hund, är detta ett projekt med flera klass etiketter.Since each image is either a cat or a dog, this is a multi-class labeling project. Du lär dig följande:You'll learn how to:

  • Skapa ett Azure Storage-konto och ladda upp avbildningar till kontot.Create an Azure storage account and upload images to the account.
  • Skapa en Azure Machine Learning-arbetsyta.Create an Azure Machine Learning workspace.
  • Skapa ett projekt med etikettering med flera klasser.Create a multi-class image labeling project.
  • Etikettera dina data.Label your data. Antingen du eller dina etiketter kan utföra den här uppgiften.Either you or your labelers can perform this task.
  • Slutför projektet genom att granska och exportera data.Complete the project by reviewing and exporting the data.

FörutsättningarPrerequisites

  • En Azure-prenumeration.An Azure subscription. Om du inte har någon Azure-prenumeration kan du skapa ett kostnadsfritt konto.If you don't have an Azure subscription, create a free account.

Skapa en arbetsytaCreate a workspace

En Azure Machine Learning arbets yta är en grundläggande resurs i molnet som du använder för att experimentera, träna och distribuera maskin inlärnings modeller.An Azure Machine Learning workspace is a foundational resource in the cloud that you use to experiment, train, and deploy machine learning models. Den binder din Azure-prenumeration och resurs grupp till ett enkelt förbrukat objekt i tjänsten.It ties your Azure subscription and resource group to an easily consumed object in the service.

Du skapar en arbets yta via Azure Portal, en webbaserad konsol för att hantera dina Azure-resurser.You create a workspace via the Azure portal, a web-based console for managing your Azure resources.

  1. Logga in på Azure Portal med hjälp av autentiseringsuppgifterna för din Azure-prenumeration.Sign in to Azure portal by using the credentials for your Azure subscription.

  2. I det övre vänstra hörnet av Azure Portal väljer du + skapa en resurs.In the upper-left corner of Azure portal, select + Create a resource.

    Skapa en ny resurs

  3. Använd Sök fältet för att hitta Machine Learning.Use the search bar to find Machine Learning.

  4. Välj Machine Learning.Select Machine Learning.

  5. I fönstret Machine Learning väljer du skapa för att börja.In the Machine Learning pane, select Create to begin.

  6. Ange följande information för att konfigurera din nya arbets yta:Provide the following information to configure your new workspace:

    FieldField BeskrivningDescription
    Namn på arbetsytaWorkspace name Ange ett unikt namn som identifierar din arbets yta.Enter a unique name that identifies your workspace. I det här exemplet använder vi dokument-WS.In this example, we use docs-ws. Namn måste vara unika i resurs gruppen.Names must be unique across the resource group. Använd ett namn som är enkelt att återkalla och särskilja från arbets ytor som skapats av andra.Use a name that's easy to recall and to differentiate from workspaces created by others.
    PrenumerationSubscription Ange den prenumeration som du vill använda.Select the Azure subscription that you want to use.
    ResursgruppResource group Använd en befintlig resursgrupp i din prenumeration eller ange ett namn för att skapa en ny resursgrupp.Use an existing resource group in your subscription or enter a name to create a new resource group. En resurs grupp innehåller relaterade resurser för en Azure-lösning.A resource group holds related resources for an Azure solution. I det här exemplet använder vi AML-dokument.In this example, we use docs-aml.
    PlatsLocation Välj den plats som är närmast dina användare och data resurserna för att skapa din arbets yta.Select the location closest to your users and the data resources to create your workspace.
    Arbetsyte versionWorkspace edition Välj Basic som arbets ytans typ för den här självstudien.Select Basic as the workspace type for this tutorial. Typ av arbets yta (Basic & Enterprise) bestämmer vilka funktioner du kommer att ha åtkomst till och prissättning.The workspace type (Basic & Enterprise) determines the features to which you’ll have access and pricing. Allt i den här självstudien kan utföras med en grundläggande eller Enterprise-arbetsyta.Everything in this tutorial can be performed with either a Basic or Enterprise workspace.
  7. När du är färdig med konfigurationen av arbets ytan väljer du Granska + skapa.After you are finished configuring the workspace, select Review + Create.

    Varning

    Det kan ta flera minuter att skapa din arbets yta i molnet.It can take several minutes to create your workspace in the cloud.

    När processen är klar visas ett meddelande om lyckad distribution.When the process is finished, a deployment success message appears.

  8. Om du vill visa den nya arbets ytan väljer du gå till resurs.To view the new workspace, select Go to resource.

Starta ett etikettande projektStart a labeling project

Härnäst ska du hantera projektet för data etiketter i Azure Machine Learning Studio, ett konsoliderat gränssnitt som innehåller maskin inlärnings verktyg för att utföra data vetenskaps scenarier för utbildnings nivåer för data vetenskap.Next you will manage the data labeling project in Azure Machine Learning studio, a consolidated interface that includes machine learning tools to perform data science scenarios for data science practitioners of all skill levels. Studio stöds inte i Internet Explorer-webbläsare.The studio is not supported on Internet Explorer browsers.

  1. Logga in på Azure Machine Learning Studio.Sign in to Azure Machine Learning studio.

  2. Välj din prenumeration och arbets ytan du skapade.Select your subscription and the workspace you created.

Skapa ett data lagerCreate a datastore

Azure Machine Learning data lager används för att lagra anslutnings information, t. ex. prenumerations-ID och token-auktorisering.Azure Machine Learning datastores are used to store connection information, like your subscription ID and token authorization. Här använder du ett data lager för att ansluta till det lagrings konto som innehåller avbildningarna för den här självstudien.Here you use a datastore to connect to the storage account that contains the images for this tutorial.

  1. På vänster sida av arbets ytan väljer du data lager.On the left side of your workspace, select Datastores.

  2. Välj + nytt data lager.Select + New datastore.

  3. Fyll i formuläret med följande inställningar:Fill out the form with these settings:

    FältField BeskrivningDescription
    Data lager namnDatastore name Ge data lagret ett namn.Give the datastore a name. Här använder vi labeling_tutorial.Here we use labeling_tutorial.
    Data lager typDatastore type Välj lagrings typ.Select the type of storage. Här använder vi Azure Blob Storage, den önskade lagringen för avbildningar.Here we use Azure Blob Storage, the preferred storage for images.
    Val av kontoAccount selection method Välj ange manuellt.Select Enter manually.
    URLURL https://azureopendatastorage.blob.core.windows.net/openimagescontainer
    AutentiseringstypAuthentication type Välj SAS-token.Select SAS token.
    KontonyckelAccount key ?sv=2019-02-02&ss=bfqt&srt=sco&sp=rl&se=2025-03-25T04:51:17Z&st=2020-03-24T20:51:17Z&spr=https&sig=7D7SdkQidGT6pURQ9R4SUzWGxZ%2BHlNPCstoSRRVg8OY%3D
  4. Välj skapa för att skapa data lagret.Select Create to create the datastore.

Skapa ett etikett projektCreate a labeling project

Nu när du har åtkomst till de data som du vill ha med etikett, skapar du ett etikett projekt.Now that you have access to the data you want to have labeled, create your labeling project.

  1. Välj projektlängst upp på sidan.At the top of the page, select Projects.

  2. Välj + Lägg till projekt.Select + Add project.

    Skapa ett projekt

Projekt informationProject details

  1. Använd följande indata för formuläret projekt information :Use the following input for the Project details form:

    FältField BeskrivningDescription
    ProjektnamnProject name Ge ditt projekt ett namn.Give your project a name. Här kommer vi att använda självstudie – katter-n-hundar.Here we'll use tutorial-cats-n-dogs.
    Etikettering av uppgifts typLabeling task type Välj bild klassificering flera klasser.Select Image Classification Multi-class.

    Välj Nästa för att fortsätta skapa projektet.Select Next to continue creating the project.

Välj eller skapa en data uppsättningSelect or create a dataset

  1. I formuläret Välj eller skapa en data uppsättning väljer du det andra alternativet, skapar en data uppsättningoch väljer sedan länken från data lagret.On the Select or create a dataset form, select the second choice, Create a dataset, then select the link From datastore.

  2. Använd följande indata för formuläret skapa data uppsättning från data lager :Use the following input for the Create dataset from datastore form:

    1. I formuläret grundläggande information lägger du till ett namn. här kommer vi att använda bilder för självstudier.On the Basic info form, add a name, here we'll use images-for-tutorial. Lägg till en beskrivning om du vill.Add a description if you wish. Välj sedan Nästa.Then select Next.
    2. Använd List rutan i urvals formuläret för data lager för att välja ditt tidigare skapade data lager, till exempel tutorial_images (Azure Blob Storage)On the Datastore selection form, use the dropdown to select your Previously created datastore, for example tutorial_images (Azure Blob Storage)
    3. Sedan väljer du Bläddra i formuläret lagrings område och väljer sedan DogsCats.Next, still on the Datastore selection form, select Browse and then select MultiClass - DogsCats. Välj Spara för att använda /MultiClass-DogsCats som sökväg.Select Save to use /MultiClass - DogsCats as the path.
    4. Välj Nästa för att bekräfta informationen och skapa sedan för att skapa data uppsättningen.Select Next to confirm details and then Create to create the dataset.
    5. Välj cirkeln bredvid data uppsättningens namn i listan, till exempel bilder – självstudier.Select the circle next to the dataset name in the list, for example images-for-tutorial.
  3. Välj Nästa för att fortsätta skapa projektet.Select Next to continue creating the project.

Inkrementell uppdateringIncremental refresh

Om du planerar att lägga till nya avbildningar i din data uppsättning kommer den stegvisa uppdateringen att hitta dessa nya avbildningar och lägga till dem i projektet.If you plan to add new images to your dataset, incremental refresh will find these new images and add them to your project. När du aktiverar den här funktionen kommer projektet att regelbundet söka efter nya avbildningar.When you enable this feature, the project will periodically check for new images. Du kommer inte att lägga till nya avbildningar i data lagret för den här själv studie kursen, så lämna den här funktionen omarkerad.You won't be adding new images to the datastore for this tutorial, so leave this feature unchecked.

Fortsätt genom att välja Nästa.Select Next to continue.

Etikett klasserLabel classes

  1. I formuläret etikett klasser anger du ett etikett namn och väljer sedan + Lägg till etikett för att skriva nästa etikett.On the Label classes form, type a label name, then select +Add label to type the next label. För det här projektet är etiketterna katt, hundoch osäkra.For this project, the labels are Cat, Dog, and Uncertain.

  2. Välj Nästa när du har lagt till alla etiketter.Select Next when have added all the labels.

Etiketter-instruktionerLabeling instructions

  1. I formuläret etikett instruktioner kan du ange en länk till en webbplats som innehåller detaljerade instruktioner för dina etiketter.On the Labeling instructions form, you can provide a link to a website that provides detailed instructions for your labelers. Vi lämnar det tomt för den här självstudien.We'll leave it blank for this tutorial.

  2. Du kan också lägga till en kort beskrivning av uppgiften direkt i formuläret.You can also add a short description of the task directly on the form. Vägledning för typ Etiketter – katter & hundar.Type Labeling tutorial - Cats & Dogs.

  3. Välj Nästa.Select Next.

  4. Om du använder en företags arbets yta ser du ett ml-avsnitt med stöd för märkning .If you are using an Enterprise workspace, you will see a ML assisted labeling section. Lämna kryss rutan avmarkerad.Leave the checkbox unchecked. ML-etiketter kräver mer data än vad du kommer att använda i den här självstudien.ML assisted labeling requires more data than you'll be using in this tutorial.

  5. Välj Skapa projekt.Select Create project.

Den här sidan uppdateras inte automatiskt.This page doesn't automatically refresh. Efter en paus uppdaterar du sidan manuellt tills projektets status ändras till skapad.After a pause, manually refresh the page until the project's status changes to Created.

Starta märkningStart labeling

Nu har du konfigurerat dina Azure-resurser och konfigurerat ett projekt med data etiketter.You have now set up your Azure resources, and configured a data labeling project. Det är dags att lägga till etiketter till dina data.It's time to add labels to your data.

Tagga bildernaTag the images

I den här delen av självstudien byter du roller från projekt administratören till en Labeler.In this part of the tutorial, you'll switch roles from the project administrator to that of a labeler. Alla som har deltagar åtkomst till din arbets yta kan bli en Labeler.Anyone who has contributor access to your workspace can become a labeler.

  1. I Machine Learning Studioväljer du data etiketter till vänster för att hitta ditt projekt.In Machine Learning studio, select Data labeling on the left-hand side to find your project.

  2. Välj etikett länk för projektet.Select Label link for the project.

  3. Läs anvisningarna och välj sedan uppgifter.Read the instructions, then select Tasks.

  4. Välj en miniatyr bild till höger om du vill visa hur många bilder du vill etikettera i en go.Select a thumbnail image on the right to display the number of images you wish to label in one go. Du måste märka alla de här bilderna innan du kan gå vidare.You must label all these images before you can move on. Växla bara layouter när du har en ny sida med omärkta data.Only switch layouts when you have a fresh page of unlabeled data. När du växlar layouter rensas sidans pågående märknings arbete.Switching layouts clears the page's in-progress tagging work.

  5. Välj en eller flera avbildningar och välj sedan en tagg som ska användas för markeringen.Select one or more images, then select a tag to apply to the selection. Taggen visas under bilden.The tag appears below the image. Fortsätt att markera och tagga alla avbildningar på sidan.Continue to select and tag all images on the page. Välj Markera allaför att välja alla bilder som visas samtidigt.To select all the displayed images simultaneously, select Select all. Välj minst en bild för att tillämpa en tagg.Select at least one image to apply a tag.

    Tips

    Du kan välja de första nio taggarna med hjälp av siffer tangenterna på tangent bordet.You can select the first nine tags by using the number keys on your keyboard.

  6. När alla bilder på sidan är taggade väljer du Skicka för att skicka dessa etiketter.Once all the images on the page are tagged, select Submit to submit these labels.

    Tagga bilder

  7. När du har skickat taggar för data till handen uppdaterar Azure sidan med en ny uppsättning avbildningar från arbets kön.After you submit tags for the data at hand, Azure refreshes the page with a new set of images from the work queue.

Slutför projektetComplete the project

Nu ska du växla roller tillbaka till projekt administratören för att märka projektet.Now you'll switch roles back to the project administrator for the labeling project.

Som chef kanske du vill granska arbetet i din Labeler.As a manager, you may want to review the work of your labeler.

Granska märkta dataReview labeled data

  1. I Machine Learning Studioväljer du data etiketter till vänster för att hitta ditt projekt.In Machine Learning studio, select Data labeling on the left-hand side to find your project.

  2. Välj länken projekt namn.Select the project name link.

  3. På instrument panelen visas projektets förlopp.The Dashboard shows you the progress of your project.

  4. Välj datalängst upp på sidan.At the top of the page, select Data.

  5. På den vänstra sidan väljer du märkta data för att se dina taggade bilder.On the left side, select Labeled data to see your tagged images.

  6. När du inte samtycker med en etikett väljer du bilden och väljer sedan avvisa längst ned på sidan.When you disagree with a label, select the image and then select Reject at the bottom of the page. Taggarna tas bort och bilden placeras tillbaka i kön med omärkta bilder.The tags will be removed and the image is put back in the queue of unlabeled images.

Exportera märkta dataExport labeled data

Du kan när som helst exportera etikett data för Machine Learning experimentering.You can export the label data for Machine Learning experimentation at any time. Användare exporterar ofta flera gånger och tränar olika modeller, i stället för att vänta på att alla bilder får etiketter.Users often export multiple times and train different models, rather than wait for all the images to be labeled.

Bild etiketter kan exporteras i Coco-format eller som en Azure Machine Learning data uppsättning.Image labels can be exported in COCO format or as an Azure Machine Learning dataset. I data uppsättnings formatet är det enkelt att använda för utbildning i Azure Machine Learning.The dataset format makes it easy to use for training in Azure Machine Learning.

  1. I Machine Learning Studioväljer du data etiketter till vänster för att hitta ditt projekt.In Machine Learning studio, select Data labeling on the left-hand side to find your project.

  2. Välj länken projekt namn.Select the project name link.

  3. Välj Exportera och välj Exportera som Azure ml-datauppsättning.Select Export and choose Export as Azure ML Dataset.

    Status för exporten visas strax under knappen Exportera .The status of the export appears just below the Export button.

  4. När etiketterna har exporter ATS väljer du data uppsättningar på vänster sida för att visa resultatet.Once the labels are successfully exported, select Datasets on the left side to view the results.

Rensa resurserClean up resources

Viktigt

Resurser som har skapats kan användas som förutsättningar för att andra självstudier och instruktionsartiklar om Azure Machine Learning.The resources you created can be used as prerequisites to other Azure Machine Learning tutorials and how-to articles.

Om du inte planerar att använda de resurser som du skapade, tar du bort dem så att du inte debiteras:If you don't plan to use the resources you created, delete them, so you don't incur any charges:

  1. I Azure-portalen väljer du Resursgrupper längst till vänster.In the Azure portal, select Resource groups on the far left.

    Ta bort i Azure PortalDelete in the Azure portal

  2. Välj den resursgrupp i listan som du har skapat.From the list, select the resource group you created.

  3. Välj Ta bort resursgrupp.Select Delete resource group.

  4. Ange resursgruppsnamnet.Enter the resource group name. Välj sedan Ta bort.Then select Delete.

Nästa stegNext steps

I den här självstudien får du etiketterade bilder.In this tutorial, you labeled images. Använd nu dina märkta data:Now use your labeled data: