ImageGrayscalingEstimator Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
public sealed class ImageGrayscalingEstimator : Microsoft.ML.Data.TrivialEstimator<Microsoft.ML.Transforms.Image.ImageGrayscalingTransformer>type ImageGrayscalingEstimator = class
inherit TrivialEstimator<ImageGrayscalingTransformer>Public NotInheritable Class ImageGrayscalingEstimator
Inherits TrivialEstimator(Of ImageGrayscalingTransformer)- Héritage
Remarques
Caractéristiques de l’estimateur
| Ce estimateur doit-il examiner les données pour entraîner ses paramètres ? | Non |
| Type de données de colonne d’entrée | MLImage |
| Type de données de colonne de sortie | MLImage |
| NuGet requis en plus de Microsoft.ML | Microsoft.ML.ImageAnalytics |
| Exportable vers ONNX | Non |
Le résultat ImageGrayscalingTransformer crée une nouvelle colonne, nommée comme spécifié dans les paramètres de nom de colonne de sortie, et convertit l’image de la colonne d’entrée en image de mise à l’échelle grise. Les images peuvent être converties en nuances de gris pour réduire la complexité du modèle. Les images grisées contiennent moins d’informations à traiter que les images colorées. Un autre cas d’usage pour la conversion en nuances de gris consiste à générer de nouvelles images en dehors des images existantes, ce qui vous permet d’avoir un jeu de données plus volumineux, une technique appelée augmentation des données. Pour obtenir des pipelines de traitement d’images de bout en bout et des scénarios dans vos applications, consultez les exemples du référentiel github machinelearning-samples.
Consultez la section Voir également pour obtenir des liens vers des exemples d’utilisation.
Méthodes
| Fit(IDataView) |
IEstimator<TTransformer> pour le ImageGrayscalingTransformer. (Hérité de TrivialEstimator<TTransformer>) |
| GetOutputSchema(SchemaShape) |
Retourne le SchemaShape schéma qui sera produit par le transformateur. Utilisé pour la propagation et la vérification du schéma dans un pipeline. |
Méthodes d’extension
| AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment) |
Ajoutez un « point de contrôle de mise en cache » à la chaîne d’estimateur. Cela garantit que les estimateurs en aval seront entraînés par rapport aux données mises en cache. Il est utile d’avoir un point de contrôle de mise en cache avant les formateurs qui prennent plusieurs passes de données. |
| WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>) |
Étant donné un estimateur, retournez un objet de création de package de package qui appellera un délégué une fois Fit(IDataView) appelé. Il est souvent important pour un estimateur de retourner des informations sur ce qui a été adapté, c’est pourquoi la Fit(IDataView) méthode retourne un objet spécifiquement typé, plutôt que simplement un général ITransformer. Toutefois, en même temps, IEstimator<TTransformer> sont souvent formés en pipelines avec de nombreux objets. Nous pouvons donc avoir besoin de créer une chaîne d’estimateurs via EstimatorChain<TLastTransformer> laquelle l’estimateur pour lequel nous voulons obtenir le transformateur est enterré quelque part dans cette chaîne. Pour ce scénario, nous pouvons par le biais de cette méthode attacher un délégué qui sera appelé une fois l’ajustement appelé. |