Inleiding

  • 5 minuten

In deze module leert u hoe u AutoML gebruikt om een gelabelde gegevensset te trainen en een productieobjectdetectiemodel te ontwikkelen. AutoML is het proces van het automatiseren van de tijdrovende en iteratieve taken van het ontwikkelen van machine learning-modellen. Hiermee kunnen gegevenswetenschappers, analisten en ontwikkelaars Machine Learning-modellen bouwen met een hoge schaal, efficiëntie en productiviteit en tegelijkertijd de kwaliteit van het model behouden. AutoML in Azure Machine Learning is gebaseerd op een doorbraak van onze Microsoft Research-afdeling.

Traditionele machine learning-modelontwikkeling is resource-intensief, wat aanzienlijke kennis en tijd vereist om tientallen modellen te produceren en te vergelijken. Met AutoML versnelt u de tijd die nodig is om machine learning-modellen voor productie te maken met een groot gemak en efficiëntie.

Vereisten

Scenario: AutoML gebruiken om een gelabelde gegevensset te trainen en een productiemodel te ontwikkelen

U bent een data scientist die de taak heeft gekregen om automatisering in een productiefaciliteit te verbeteren met behulp van computer vision. Uw team heeft het proces voor het verzamelen en labelen van voorbeeldafbeeldingsgegevens voltooid. Dit proces is in voorbereiding op het trainen van een objectdetectiemodel dat wordt gebruikt op het moment van productie. U wilt de prestaties van dit model op verschillende edge- en serverapparaten onderzoeken.

Met Azure Machine Learning kunt u AutoML gebruiken om een model te bouwen met behulp van azure Machine Learning Python SDK en deze te converteren naar de ONNX- of Open Neural Network Exchange-indeling. Zodra het model de ONNX-indeling heeft, kan het worden uitgevoerd op verschillende platforms en apparaten. U ontwikkelt het model met behulp van een Jupyter-notebook dat wordt uitgevoerd op een rekenproces dat eerder is geïmplementeerd in uw Azure Machine Learning-studio-omgeving. Hierdoor kan het team eenvoudig een nieuw model opnieuw trainen wanneer nieuwe voorbeeldgegevens worden verstrekt in het bijbehorende gegevensarchief om continue implementatie te ondersteunen met behulp van best practices voor MLOps .

Wat leer je?

Nadat u deze module hebt voltooid, kunt u het volgende doen:

  • AutoML-modellen ontwerpen voor vision-taken via de Azure Machine Learning Python SDK.
  • Naadloos integreren met de mogelijkheid voor gegevenslabels van Azure Machine Learning.
  • Optimaliseer de modelprestaties door het modelalgoritmen op te geven en de hyperparameters af te stemmen.
  • Operationeel op schaal, met behulp van azure Machine Learning MLOps-mogelijkheden.
  • Download het resulterende model voor gebruik in een productie-implementatie.

Wat is het belangrijkste doel?

In deze module ziet u hoe u AutoML gebruikt om een gelabelde gegevensset te trainen en een productiemodel voor objectdetectie te ontwikkelen.