Импорт изображений
Важно!
Поддержка Студии машинного обучения (классической) будет прекращена 31 августа 2024 г. До этой даты рекомендуется перейти на Машинное обучение Azure.
Начиная с 1 декабря 2021 года вы не сможете создавать новые ресурсы Студии машинного обучения (классической). Существующие ресурсы Студии машинного обучения (классическая версия) можно будет использовать до 31 августа 2024 г.
- См. сведения о перемещении проектов машинного обучения из ML Studio (классической) в Машинное обучение Azure.
- См. дополнительные сведения о Машинном обучении Azure.
Поддержка документации по ML Studio (классической) прекращается, а сама документация может не обновляться в будущем.
загрузка изображений из служба хранилища большого двоичного объекта Azure в набор данных
Категория: модули библиотеки OpenCV
Примечание
применимо к: только Машинное обучение Studio (классическая модель)
Подобные модули перетаскивания доступны в конструкторе машинного обучения Azure.
Обзор модуля
в этой статье описывается, как использовать модуль импорт изображений в Машинное обучение Studio (классическая модель) для получения нескольких образов из хранилища Blob-объектов Azure и создания из них набора данных образа.
При использовании этого модуля для загрузки изображений из хранилища BLOB-объектов в рабочую область каждое изображение преобразуется в ряд числовых значений для красного, зеленого и синего каналов вместе с именем файла изображения. Набор данных таких изображений состоит из нескольких строк в таблице, каждый из которых имеет разный набор значений RGB и соответствующих имен файлов изображений. Инструкции по подготовке образов и подключению к хранилищу BLOB-объектов см. в разделе Импорт изображений.
После преобразования всех изображений можно передать этот набор данных модулю оценки модели и подключить предварительно обученную модель классификации изображений для прогнозирования типа изображения.
Вы можете импортировать изображения любого типа, используемые для машинного обучения. Однако существуют ограничения, включая типы и размер образа, которые можно обработать, см. раздел Технические примечания .
Использование импорта изображений
В этом примере предполагается, что вы отправили в учетную запись несколько образов в хранилище BLOB-объектов Azure. Образы находятся в контейнере, предназначенном только для этой цели. Как правило, каждое изображение должно быть достаточно небольшим и иметь одинаковые размеры и цветовые каналы. Подробный список требований, которые применяются к образам, см. в разделе Технические примечания .
Добавьте модуль Импорт изображений в эксперимент в студии (классическая модель).
Добавьте предварительно обученную классификацию каскадных изображений и модуль оценки модели .
В модуле Импорт изображений настройте расположение образов и предоставьте метод проверки подлинности private или public.
Если набор изображений находится в большом двоичном объекте, который был настроен для общего доступа через подписанные URL-адреса(SAS), введите его в контейнер, содержащий образы.
Если образы хранятся в частной учетной записи в службе хранилища Azure, выберите учетная запись, а затем введите имя учетной записи в том виде, в каком оно отображается на портале управления. Затем вставьте первичный или вторичный ключ учетной записи.
В поле путь к контейнерувведите только имя контейнера и другие элементы пути.
Подключение выходные данные изображений импорта в модуль оценка модели .
Запустите эксперимент.
Результаты
Каждая строка выходного набора данных содержит данные из одного изображения. Строки сортируются в алфавитном порядке по имени изображения, а столбцы содержат следующие сведения в следующем порядке:
- Первый столбец содержит имена изображений.
- Все остальные столбцы содержат плоский набор данных по каналам красного, зеленого и синего цветов в указанном порядке.
- Канал прозрачности игнорируется.
В зависимости от глубины цвета изображения и формата изображения может быть несколько тысяч столбцов для одного изображения. Поэтому для просмотра результатов эксперимента рекомендуется добавить модуль Выбор столбцов в наборе данных и выбрать только следующие столбцы:
- Имя образа
- Оцененные метки
- Оцененные вероятности
Технические примечания
В этом разделе содержатся сведения о реализации, советы и ответы на часто задаваемые вопросы.
Поддерживаемые форматы изображений:
Модуль Импорт изображений определяет тип изображения, считывая первые несколько байтов содержимого, а не расширение файла. На основе этих сведений определяется, является ли изображение одним из поддерживаемых форматов изображений.
- Windows файлы точечных рисунков: .bmp, dib
- JPEG Files:. JPEG, .jpg,. jpe
- JPEG 2000 файлы:. jp2
- Переносная сетевая графика: .png
- Формат переносимого изображения:. PBM,. PGM,. ppm
- Растровое изображение Sun:. SR,. RAS
- TIFF-файлы:. TIFF,. tif
Требования к образам
К образам, обрабатываемым модулем Импорт изображений , применяются следующие требования.
- Все изображения должны быть одной и той же формой.
- Все изображения должны иметь одни и те же цветовые каналы. Например, нельзя смешивать изображения в градациях серого с РБГ образами.
- Существует ограничение в размере 65536 пикселей на изображение. Однако количество изображений не ограничено.
- Если в качестве источника указать контейнер больших двоичных объектов, контейнер не должен содержать данные других типов. Убедитесь, что контейнер содержит только образы перед запуском модуля.
Другие ограничения
Если вы планируете использовать предварительно обученный модуль классификации с каскадным изображением , имейте в виду, что в настоящее время он поддерживает только распознавание лиц в интерфейсном представлении; другие классификаторы изображений пока недоступны.
Нельзя использовать наборы данных изображений со следующими модулями: обучение, Перекрестная проверка модели.
Параметры модуля
| Имя | Диапазон | Тип | По умолчанию | Описание |
|---|---|---|---|---|
| Укажите тип проверки подлинности | Список | authenticationType | Учетная запись | Открытый URI или SAS URI, или учетные данные пользователя |
| URI | Любой | Строка | нет | Универсальный идентификатор ресурса с SAS или общий доступ |
| Имя учетной записи | Любой | Строка | нет | Имя учетной записи хранения Azure |
| Ключ учетной записи | Любой | SecureString | нет | Ключ, связанный с учетной записью хранения Azure |
| Путь к контейнеру, каталогу или большому двоичному объекту | Любой | Строка | нет | Путь к большому двоичному объекту или имя таблицы |
Выходные данные
| Имя | Тип | Описание |
|---|---|---|
| Набор данных результатов | Таблица данных | Набор данных с загруженными изображениями |
Исключения
| Исключение | Описание |
|---|---|
| Ошибка 0003 | Исключение возникает, если один или несколько входных аргументов имеют значение NULL или пусты. |
| Ошибка 0029 | Исключение возникает при передаче недопустимого универсального кода ресурса. |
| Ошибка 0009 | Исключение возникает, если имя учетной записи хранения Azure или имя контейнера указаны неверно. |
| Ошибка 0015 | Исключение возникает, если произошел сбой подключения к базе данных. |
| Ошибка 0030 | Исключение возникает, когда не удается скачать файл. |
| Ошибка 0049 | Исключение возникает, когда не удается проанализировать файл. |
| Ошибка 0048 | Исключение возникает, когда не удается открыть файл. |
список ошибок, относящихся к модулям студии (классическая версия), см. в разделе Машинное обучение коды ошибок.
список исключений API см. в разделе Машинное обучение REST API коды ошибок.
См. также раздел
Предварительно обученная каскадная модель классификации изображений
Список модулей в алфавитном порядке