Een aangepast model labelen en trainen
Nadat u uw afbeeldingen hebt geüpload naar blobopslag en uw gegevensset hebt gemaakt, is de volgende stap het labelen van uw afbeeldingen en het verbinden van het resulterende COCO-bestand. Als u al een COCO-bestand voor uw trainingsafbeeldingen hebt, kunt u de labelstap overslaan.
Uw trainingsafbeeldingen labelen
Het labelen van uw trainingsafbeeldingen wordt uitgevoerd in Azure Machine Learning-studio met behulp van het project voor gegevenslabels. Als u volledige en nauwkeurige labels voor uw trainingsafbeeldingen hebt, worden de prestaties van uw getrainde model aanzienlijk verbeterd. Wanneer u uw afbeeldingen labelt, moet u labels nauwkeurig toewijzen en alle exemplaren van elke klasse volledig labelen.
Maak in uw gegevensset in Vision Studio een nieuw Azure Machine Learning-gegevenslabelproject of maak verbinding met een bestaand project als u er een hebt gemaakt in Azure Machine Learning-studio.
Zodra uw project is gemaakt, gaat u met deze knop naar Azure Machine Learning Studio en opent u het labelproject. In Azure Machine Learning-gegevenslabeling kunt u categorieën toevoegen voor uw afbeeldingen of objecten (zoals appel, sinaasappel, banaan). Zodra u categorieën hebt, start u uw project en gaat u naar het tabblad Labelen. U moet 3-5 afbeeldingen per categorie labelen.
Er zijn hulpprogramma's met Azure Machine Learning waarmee u kunt helpen bij het labelen, zoals door ML ondersteund labelen . Hierbij worden enkele labels gebruikt die u opgeeft voor een subset van de installatiekopieën en wordt geprobeerd de resterende installatiekopieën voor u te labelen. Als u deze functies gebruikt, is het belangrijk om de labels te controleren om ervoor te zorgen dat ze nauwkeurig zijn. Als ze niet nauwkeurig zijn, nemen de prestaties van uw getrainde model af.
Wanneer het labelen is voltooid en alle trainingsafbeeldingen correct zijn geclassificeerd of gelabeld, kunt u uw COCO-bestand rechtstreeks vanuit uw Azure Machine Learning-werkruimte toevoegen aan uw gegevensset.
Uw model trainen
Nu alle trainingsafbeeldingen zijn gelabeld, is de volgende stap het trainen van uw model. Wanneer u een model traint, selecteert u het modeltype, geeft u de gegevensset op die u wilt gebruiken als trainingsgegevens en geeft u het trainingsbudget aan. Het trainingsbudget is een bovengrens voor de duur van de training; de werkelijke tijd die wordt gebruikt voor training is vaak minder dan het opgegeven budget.
Zodra uw model is getraind, kunt u de prestaties van de evaluatieuitvoering bekijken door het te selecteren. Als er geen evaluatiegegevensset wordt opgegeven bij het trainen van uw model, wordt de standaarduitvoering voor evaluatie gebruikt. De standaardevaluatieuitvoering maakt gebruik van een kleine set gelabelde afbeeldingen uit de trainingsset, gebruikt het getrainde model voor voorspellingen op die subset en vergelijkt de voorspellingen met de opgegeven labels.
Op de getrainde modelpagina kunt u nieuwe evaluatieuitvoeringen activeren op een andere set afbeeldingen of uw eigen tests uitproberen in Vision Studio door het tabblad boven aan de pagina te selecteren.