ImageInstanceSegmentationJob Klass

Konfiguration för autoML-avbildningsinstanssegmenteringsjobb.

Initiera ett nytt AutoML-avbildningsinstanssegmenteringsjobb.

Arv

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

ImageInstanceSegmentationJob

Konstruktor

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

Parametrar

primary_metric

Obligatorisk

Det primära måttet som ska användas för optimering

kwargs

Obligatorisk

Jobbspecifika argument

Metoder

dump	Dumpar jobbinnehållet till en fil i YAML-format.
extend_search_space	Lägg till sökutrymme för autoML-objektidentifiering och segmentering av bildinstanser.
set_data
set_limits	Begränsa inställningarna för alla Lodräta AutoML-bilder.
set_sweep	Svepinställningar för alla Lodräta AutoML-bilder.
set_training_parameters	Ange bildträningsparametrar för autoML-objektidentifiering och segmentering av bildinstanser.

dump

Dumpar jobbinnehållet till en fil i YAML-format.

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

Parametrar

dest

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

Obligatorisk

Den lokala sökvägen eller filströmmen som YAML-innehållet ska skrivas till. Om dest är en filsökväg skapas en ny fil. Om dest är en öppen fil skrivs filen till direkt.

kwargs

dict

Ytterligare argument som ska skickas till YAML-serialiseraren.

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

extend_search_space

Lägg till sökutrymme för autoML-objektidentifiering och segmentering av bildinstanser.

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

Parametrar

value

Union[SearchSpace, List[SearchSpace]]

Obligatorisk

Sök igenom parameterutrymmet

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

set_data

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

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

set_limits

Begränsa inställningarna för alla Lodräta AutoML-bilder.

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

Parametrar

timeout_minutes

timedelta

Tidsgräns för AutoML-jobb.

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

set_sweep

Svepinställningar för alla Lodräta AutoML-bilder.

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

Parametrar

sampling_algorithm

Krävs. [Krävs] Typ av algoritmer för hyperparametersampling. Möjliga värden är: "Grid", "Random", "Bayesian".

early_termination

Union[ BanditPolicy, MedianStoppingPolicy, TruncationSelectionPolicy]

Typ av princip för tidig avslutning.

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

set_training_parameters

Ange bildträningsparametrar för autoML-objektidentifiering och segmentering av bildinstanser.

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

Parametrar

advanced_settings

str

Inställningar för avancerade scenarier.

ams_gradient

bool

Aktivera AMSGrad när optimizern är "adam" eller "adamw".

beta1

float

Värdet "beta1" när optimizern är "adam" eller "adamw". Måste vara ett flyttal i intervallet [0, 1].

beta2

float

Värdet "beta2" när optimizern är "adam" eller "adamw". Måste vara ett flyttal i intervallet [0, 1].

checkpoint_frequency

int

Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.

checkpoint_run_id

str

ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.

distributed

bool

Om distribuerad träning ska användas.

early_stopping

bool

Aktivera tidig stopplogik under träningen.

early_stopping_delay

int

Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen spåras för tidigt stopp. Måste vara ett positivt heltal.

early_stopping_patience

int

Minsta antal epoker eller valideringsutvärderingar utan någon primär måttförbättring innan körningen stoppas. Måste vara ett positivt heltal.

enable_onnx_normalization

bool

Aktivera normalisering när du exporterar ONNX-modellen.

evaluation_frequency

int

Frekvens för att utvärdera valideringsdatauppsättningen för att få måttpoäng. Måste vara ett positivt heltal.

gradient_accumulation_step

int

Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna samtidigt som du ackumulerar toningarna i dessa steg och sedan använder de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.

layers_to_freeze

Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det fryslager0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long

learning_rate

float

Inledande inlärningstakt. Måste vara ett flyttal i intervallet [0, 1].

learning_rate_scheduler

Typ av schemaläggare för inlärningstakt. Måste vara "warmup_cosine" eller "steg". Möjliga värden är: "None", "WarmupCosine", "Step".

model_name

Namnet på modellen som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].

nesterov

bool

Aktivera nesterov när optimizer är "sgd".

number_of_epochs

int

Antal träningsepoker. Måste vara ett positivt heltal.

number_of_workers

int

Antal datainläsare. Måste vara ett icke-negativt heltal.

optimizer

Typ av optimerare. Möjliga värden är: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Slumpmässigt frö som ska användas när du använder deterministisk träning.

step_lr_gamma

float

Värdet för gamma när schemaläggaren för inlärningsfrekvens är "steg". Måste vara en flottör i intervallet [0, 1].

step_lr_step_size

int

Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.

training_batch_size

int

Träningsbatchstorlek. Måste vara ett positivt heltal.

validation_batch_size

int

Batchstorlek för validering. Måste vara ett positivt heltal.

warmup_cosine_lr_cycles

float

Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].

warmup_cosine_lr_warmup_epochs

int

Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.

weight_decay

float

Värdet för viktförfall när optimizern är "sgd", "adam" eller "adamw". Måste vara en flottör i intervallet[0, 1].

box_detections_per_image

Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

box_score_threshold

float

Under slutsatsdragningen returnerar du bara förslag med en klassificeringspoäng som är större än BoxScoreThreshold. Måste vara en flottör i intervallet[0, 1].

image_size

Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.

max_size

Maximal storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

min_size

Minsta storlek på bilden som ska skalas om innan den matas till ryggraden. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

model_size

Modellstorlek. Måste vara "liten", "medel", "stor" eller "extra_large". Obs! Träningskörningen kan komma in i CUDA OOM om modellstorleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.

multi_scale

Aktivera bild i flera skalningsklasser genom att variera bildstorleken med +/- 50 %. Obs! Träningskörningen kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds endast för yolov5-algoritmen.

nms_iou_threshold

float

Tröskelvärde för IOU som används vid slutsatsdragning i NMS efter bearbetning. Måste vara flytande i intervallet [0, 1].

tile_grid_size

Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format.

tile_overlap_ratio

float

Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1).

tile_predictions_nms_threshold

Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder. Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1]. NMS: Icke-maximal undertryckning.

validation_iou_threshold

float

Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1].

validation_metric_type

str eller ValidationMetricType

Beräkningsmetod för mått som ska användas för valideringsmått. Måste vara "none", "coco", "voc" eller "coco_voc".

log_training_metrics

str eller <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>

anger om träningsmått ska loggas eller inte. Måste vara "Aktivera" eller "Inaktivera"

log_validation_loss

str eller <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>

anger om valideringsförlusten ska loggas eller inte. Måste vara "Aktivera" eller "Inaktivera"

Undantag

FileExistsError

Utlöses om dest är en filsökväg och filen redan finns.

IOError

Upphöjt om dest är en öppen fil och filen inte är skrivbar.

Attribut

base_path

Resursens grundläggande sökväg.

Returer

Resursens grundläggande sökväg.

Returtyp

str

creation_context

Resursens skapandekontext.

Returer

Skapandemetadata för resursen.

Returtyp

Optional[SystemData]

id

Resurs-ID:t.

Returer

Resursens globala ID, ett ARM-ID (Azure Resource Manager).

Returtyp

Optional[str]

inputs

limits

log_files

Utdatafiler för jobb.

Returer

Ordlistan med loggnamn och URL:er.

Returtyp

Optional[Dict[str, str]]

log_verbosity

outputs

primary_metric

search_space

status

Jobbets status.

Vanliga värden som returneras är "Running", "Completed" och "Failed". Alla möjliga värden är:

• NotStarted – det här är ett tillfälligt tillstånd som körningsobjekt på klientsidan befinner sig i innan molnöverföringen.

• Startar – Körningen har börjat bearbetas i molnet. Anroparen har nu ett körnings-ID.

• Etablering – beräkning på begäran skapas för en viss jobböverföring.

• Förbereder – Körningsmiljön förbereds och är i ett av två steg:

  • Docker-avbildningsversion

  • konfiguration av conda-miljö

• I kö – jobbet köas på beräkningsmålet. I BatchAI är till exempel jobbet i ett köat tillstånd

  i väntan på att alla begärda noder ska vara klara.

• Körs – Jobbet har börjat köras på beräkningsmålet.

• Slutför – Körningen av användarkod har slutförts och körningen är i efterbearbetningssteg.

• CancelRequested – Annullering har begärts för jobbet.

• Slutfört – körningen har slutförts. Detta omfattar både körning av användarkod och körning

  efterbearbetningssteg.

• Misslyckades – körningen misslyckades. Vanligtvis innehåller egenskapen Error på en körning information om varför.

• Avbruten – följer en annulleringsbegäran och anger att körningen nu har avbrutits.

• Svarar inte – inga pulsslag har skickats nyligen för körningar som har pulsslag aktiverade.

Returer

Jobbets status.

Returtyp

Optional[str]

studio_url

Azure ML Studio-slutpunkt.

Returer

URL:en till jobbinformationssidan.

Returtyp

Optional[str]

sweep

task_type

Hämta aktivitetstyp.

Returer

Den typ av uppgift som ska köras. Möjliga värden är: "classification", "regression", "forecasting".

Returtyp

str

test_data

Hämta testdata.

Returer

Testa indata

Returtyp

Input

training_data

Hämta träningsdata.

Returer

Indata för träningsdata

Returtyp

Input

training_parameters

type

Jobbets typ.

Returer

Jobbets typ.

Returtyp

Optional[str]

validation_data

Hämta valideringsdata.

Returer

Indata för valideringsdata

Returtyp

Input