教學課程：使用 AutoML 和 Python 定型物件偵測模型

適用於：Azure CLI ml 延伸模組 v2 (目前)Python SDK azure-ai-ml v2 (目前)

在本教學課程中，您將了解如何使用 Azure Machine Learning 自動化 ML 搭配 Azure Machine Learning CLI 延伸模組 第 2 版或 Azure Machine Learning Python SDK 第 2 版來定型物件偵測模型。 此物件偵測模型會識別影像是否包含物件，例如罐頭、貨箱、牛奶瓶或水瓶。

自動化 ML 接受定型資料和組態設定，並自動逐一查看不同功能正規化/標準化方法、模型及超參數設定的組合，以獲得最佳模型。

您會在本教學課程中使用 Python SDK 來撰寫程式碼，並了解下列工作：

• 下載與轉換資料
• 將自動化機器學習物件偵測模型定型
• 指定模型的超參數值
• 執行超參數整理
• 部署模型
• 將偵測視覺化

必要條件

• 若要使用 Azure 機器學習，您需要工作區。 如果您沒有工作區，請完成建立要開始使用所需要的資源以建立工作區，並深入了解其使用方式。

• 此功能支援 Python 3.9 或 3.10

• 下載並解壓縮 *odFridgeObjects.zip 資料檔案。 資料集會以 Pascal VOC 格式標注，其中每個影像皆會對應至 xml 檔案。 每個 xml 檔案皆包含其對應影像檔所在位置的相關資訊，也包含週框方塊和物件標籤的相關資訊。 如要使用此資料，您必須先將其轉換成所需的 JSONL 格式，如筆記本的將下載的資料轉換成 JSONL (英文) 一節所示。

• 使用計算執行個體來遵循本教學課程，而不需進一步安裝。 (請參閱如何建立計算執行個體。)或安裝 CLI/SDK 以使用您自己的本機環境。

  Azure CLI

  適用於：Azure CLI ml 延伸模組 v2 (目前)

  本教學課程也適用於 GitHub 上的 azureml-examples 存放庫。 如果您想要在自己的本機環境中執行：

  • 安裝並設定 CLI (第 2 版)，並確定您已安裝 ml 延伸模組。

  Python SDK

  適用於：Python SDK azure-ai-ml v2 (目前)

  本教學課程也適用於 GitHub 上的 azureml-examples 存放庫。 如果您想要在自己的本機環境中執行：

  • 使用下列命令以安裝 Azure Machine Learning Python SDK v2：

    • 解除安裝先前的預覽版本：

    pip uninstall azure-ai-ml
    

    • 安裝 Azure Machine Learning Python SDK v2：

    pip install azure-ai-ml azure-identity
    

    注意

    只有 Python 3.6 和 3.7 可與電腦視覺工作的自動化 ML 支援相容。

計算目標設定

注意

若要嘗試無伺服器計算 (預覽)，請略過此步驟並繼續進行實驗設定。

您必須先設定要用於自動化 ML 模型定型的計算目標。 映像工作的自動化 ML 模型需要 GPU SKU。

本教學課程使用 NCsv3 系列 (搭配 V100 GPU)，因為這種類型的計算目標會使用多個 GPU 來加速定型。 此外，您可以設定多個節點，以在微調模型的超參數時利用平行處理原則。

下列程式碼會建立 GPU 計算，其大小為 Standard_NC24s_v3 且具有四個節點。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

使用下列設定建立 .yml 檔案。

$schema: https://azuremlschemas.azureedge.net/latest/amlCompute.schema.json 
name: gpu-cluster
type: amlcompute
size: Standard_NC24s_v3
min_instances: 0
max_instances: 4
idle_time_before_scale_down: 120

若要建立此計算，請使用 .yml 檔案的路徑、工作區名稱、資源群組和訂用帳戶識別碼來執行下列 CLI 第 2 版命令。

az ml compute create -f [PATH_TO_YML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

from azure.ai.ml.entities import AmlCompute
compute_name = "gpu-cluster"
cluster_basic = AmlCompute(
    name=compute_name,
    type="amlcompute",
    size="Standard_NC24s_v3",
    min_instances=0,
    max_instances=4,
    idle_time_before_scale_down=120,
)
ml_client.begin_create_or_update(cluster_basic)

稍後會在建立工作特定 automl 作業時使用此計算。

實驗設定

您可以使用實驗來追蹤模型定型作業。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

您可以使用 experiment_name 索引鍵來提供實驗名稱，如下所示：

experiment_name: dpv2-cli-automl-image-object-detection-experiment

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

稍後會在建立工作特定 automl 作業時使用實驗名稱。

exp_name = "dpv2-image-object-detection-experiment"

視覺化輸入資料

當您在 JSONL (JSON 行) 格式中備妥輸入影像資料後，即可將影像的真實週框方塊視覺化。 如要執行此工作，請確認您已安裝 matplotlib。

%pip install --upgrade matplotlib

%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import matplotlib.patches as patches
from PIL import Image as pil_image
import numpy as np
import json
import os

def plot_ground_truth_boxes(image_file, ground_truth_boxes):
    # Display the image
    plt.figure()
    img_np = mpimg.imread(image_file)
    img = pil_image.fromarray(img_np.astype("uint8"), "RGB")
    img_w, img_h = img.size

    fig,ax = plt.subplots(figsize=(12, 16))
    ax.imshow(img_np)
    ax.axis("off")

    label_to_color_mapping = {}

    for gt in ground_truth_boxes:
        label = gt["label"]

        xmin, ymin, xmax, ymax =  gt["topX"], gt["topY"], gt["bottomX"], gt["bottomY"]
        topleft_x, topleft_y = img_w * xmin, img_h * ymin
        width, height = img_w * (xmax - xmin), img_h * (ymax - ymin)

        if label in label_to_color_mapping:
            color = label_to_color_mapping[label]
        else:
            # Generate a random color. If you want to use a specific color, you can use something like "red".
            color = np.random.rand(3)
            label_to_color_mapping[label] = color

        # Display bounding box
        rect = patches.Rectangle((topleft_x, topleft_y), width, height,
                                 linewidth=2, edgecolor=color, facecolor="none")
        ax.add_patch(rect)

        # Display label
        ax.text(topleft_x, topleft_y - 10, label, color=color, fontsize=20)

    plt.show()

def plot_ground_truth_boxes_jsonl(image_file, jsonl_file):
    image_base_name = os.path.basename(image_file)
    ground_truth_data_found = False
    with open(jsonl_file) as fp:
        for line in fp.readlines():
            line_json = json.loads(line)
            filename = line_json["image_url"]
            if image_base_name in filename:
                ground_truth_data_found = True
                plot_ground_truth_boxes(image_file, line_json["label"])
                break
    if not ground_truth_data_found:
        print("Unable to find ground truth information for image: {}".format(image_file))

針對任何指定的影像使用上述協助程式函式，即可執行下列程式碼來顯示週框方塊。

image_file = "./odFridgeObjects/images/31.jpg"
jsonl_file = "./odFridgeObjects/train_annotations.jsonl"

plot_ground_truth_boxes_jsonl(image_file, jsonl_file)

上傳資料並建立 MLTable

若要使用資料進行定型，請將資料上傳至 Azure Machine Learning 工作區的預設 Blob 儲存體，並將其註冊為資產。 註冊資料的優點如下：

• 輕鬆與小組的其他成員共用
• 中繼資料的版本設定 (位置、描述等)
• 譜系追蹤

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

使用下列設定建立 .yml 檔案。

$schema: https://azuremlschemas.azureedge.net/latest/data.schema.json
name: fridge-items-images-object-detection
description: Fridge-items images Object detection
path: ./data/odFridgeObjects
type: uri_folder

若要以資料資產形式上傳影像，請搭配您 .yml 檔案的路徑、工作區名稱、資源群組與訂用帳戶識別碼來執行下列 CLI 第 2 版命令。

az ml data create -f [PATH_TO_YML_FILE] --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Uploading image files by creating a 'data asset URI FOLDER':

from azure.ai.ml.entities import Data
from azure.ai.ml.constants import AssetTypes, InputOutputModes
from azure.ai.ml import Input

my_data = Data(
    path=dataset_dir,
    type=AssetTypes.URI_FOLDER,
    description="Fridge-items images Object detection",
    name="fridge-items-images-object-detection",
)

uri_folder_data_asset = ml_client.data.create_or_update(my_data)

print(uri_folder_data_asset)
print("")
print("Path to folder in Blob Storage:")
print(uri_folder_data_asset.path)

下一個步驟是使用 jsonl 格式從您的資料建立 MLTable，如下所示。 MLtable 會將您的資料封裝至可取用的物件以進行定型。

paths:
  - file: ./train_annotations.jsonl
transformations:
  - read_json_lines:
        encoding: utf8
        invalid_lines: error
        include_path_column: false
  - convert_column_types:
      - columns: image_url
        column_type: stream_info

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

下列設定會從 MLTable 建立定型和驗證資料。

target_column_name: label
training_data:
  path: data/training-mltable-folder
  type: mltable
validation_data:
  path: data/validation-mltable-folder
  type: mltable

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

您可以使用下列程式碼，從定型和驗證 MLTable 建立資料輸入：

from azure.ai.ml import Input
from azure.ai.ml.constants import AssetTypes

# Training MLTable defined locally, with local data to be uploaded
my_training_data_input = Input(type=AssetTypes.MLTABLE, path=training_mltable_path)

# Validation MLTable defined locally, with local data to be uploaded
my_validation_data_input = Input(type=AssetTypes.MLTABLE, path=validation_mltable_path)

# WITH REMOTE PATH: If available already in the cloud/workspace-blob-store
# my_training_data_input = Input(type=AssetTypes.MLTABLE, path="azureml://datastores/workspaceblobstore/paths/vision-classification/train")
# my_validation_data_input = Input(type=AssetTypes.MLTABLE, path="azureml://datastores/workspaceblobstore/paths/vision-classification/valid")

設定您的物件偵測實驗

若要為映像相關工作設定自動化 ML 作業，請建立工作特定的 AutoML 作業。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

若要使用無伺服器計算 (預覽)，請使用下列程式碼取代 compute: azureml:gpu-cluster 這一行：

resources:
 instance_type: Standard_NC24s_v3
 instance_count: 4

task: image_object_detection
primary_metric: mean_average_precision
compute: azureml:gpu-cluster

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Create the AutoML job with the related factory-function.

image_object_detection_job = automl.image_object_detection(
    compute=compute_name,
    experiment_name=exp_name,
    training_data=my_training_data_input,
    validation_data=my_validation_data_input,
    target_column_name="label",
    primary_metric=ObjectDetectionPrimaryMetrics.MEAN_AVERAGE_PRECISION,
    tags={"my_custom_tag": "My custom value"},
)

注意

若要使用無伺服器計算 (預覽)，請使用下列程式碼取代 compute="cpu-cluster" 這一行：

image_object_detection_job.resources = ResourceConfiguration(instance_type="Standard_NC24rs_v3",instance_count =4)

image_object_detection_job.set_limits(
    max_trials=10,
    max_concurrent_trials=2,
)

影像工作的自動超參數掃掠 (AutoMode)

重要

此功能目前處於公開預覽。 在此提供的這個預覽版本並無服務等級協定。 可能不支援特定功能，或可能已經限制功能。 如需詳細資訊，請參閱 Microsoft Azure 預覽版增補使用條款。

在您的 AutoML 作業中，您可以執行自動超參數掃掠來尋找最佳模型 (我們稱之為功能 AutoMode)。 您僅指定試用數目；不需要超參數搜尋空間、取樣方法和早期終止原則。 系統會根據試用數目自動判斷要掃掠的超參數空間區域。 介於 10 到 20 之間的值可能在許多資料集上運作良好。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

limits:
  max_trials: 10
  max_concurrent_trials: 2

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Trigger AutoMode
image_object_detection_job.set_limits(max_trials=10, max_concurrent_trials=2)

然後，您可以提交作業來定型映像模型。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

若要提交 AutoML 作業，請使用 .yml 檔案的路徑、工作區名稱、資源群組和訂用帳戶識別碼來執行下列 CLI 第 2 版命令。

az ml job create --file ./hello-automl-job-basic.yml --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

當您將 AutoML 作業設定為所需的設定時，就可以提交作業。

# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(
    image_object_detection_job
)  # submit the job to the backend

print(f"Created job: {returned_job}")

影像工作的手動超參數掃掠

在 AutoML 作業中，您可以使用 model_name 參數來指定模型結構，並進行設定以對定義的搜尋空間執行超參數掃掠，以找出最佳模型。

在此範例中，我們會使用 yolov5 和 fasterrcnn_resnet50_fpn 來定型物件偵測模型，後兩者皆在 COCO 上預先定型，COCO 是一個大型物件偵測、分割和字幕資料集，其中包含超過數千個已標示的影像 (具有超過 80 個標籤類別)。

您可對已定義的參數空間執行超參數整理，以找出最佳模型。

作業限制

您可藉由在限制設定中指定作業的 timeout_minutes、max_trials 和 max_concurrent_trials，控制在 AutoML 影像定型作業上花費的資源。 請參閱作業限制參數的詳細描述。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

limits:
  timeout_minutes: 60
  max_trials: 10
  max_concurrent_trials: 2

Python SDK

# Set limits
image_object_detection_job.set_limits(
    timeout_minutes=60,
    max_trials=10,
    max_concurrent_trials=2,
)

下列程式碼會針對每個已定義的結構 yolov5 和 fasterrcnn_resnet50_fpn，定義準備進行超參數掃掠的搜尋空間。 在搜尋空間中，指定 learning_rate、optimizer、lr_scheduler 等的值範圍，好讓 AutoML 可供選擇，因為其會嘗試以最佳的主要度量產生模型。 若未指定超參數值，則會使用每個結構的預設值。

針對微調設定，利用 random sampling_algorithm 來使用隨機取樣，以從這個參數空間挑選範例。 以上設定的作業限制會告知自動化 ML 使用這些不同的範例來嘗試總計 10 次的試驗，並在計算目標上一次執行兩次試驗 (使用四個節點進行設定)。 搜尋空間具有的參數愈多，您就需要更多次的試驗才能找到最佳模型。

此外也會使用 Bandit 提前終止原則。 此原則會終止效能不佳的試用；亦即，不在最佳執行試用 20% 寬限時間內的那些試用，如此可大幅節省計算資源。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

sweep:
  sampling_algorithm: random
  early_termination:
    type: bandit
    evaluation_interval: 2
    slack_factor: 0.2
    delay_evaluation: 6

search_space:
  - model_name:
      type: choice
      values: [yolov5]
    learning_rate:
      type: uniform
      min_value: 0.0001
      max_value: 0.01
    model_size:
      type: choice
      values: [small, medium]

  - model_name:
      type: choice
      values: [fasterrcnn_resnet50_fpn]
    learning_rate:
      type: uniform
      min_value: 0.0001
      max_value: 0.001
    optimizer:
      type: choice
      values: [sgd, adam, adamw]
    min_size:
      type: choice
      values: [600, 800]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Configure sweep settings
image_object_detection_job.set_sweep(
    sampling_algorithm="random",
    early_termination=BanditPolicy(
        evaluation_interval=2, slack_factor=0.2, delay_evaluation=6
    ),
)

# Define search space
image_object_detection_job.extend_search_space(
    [
        SearchSpace(
            model_name=Choice(["yolov5"]),
            learning_rate=Uniform(0.0001, 0.01),
            model_size=Choice(["small", "medium"]),  # model-specific
            # image_size=Choice([640, 704, 768]),  # model-specific; might need GPU with large memory
        ),
        SearchSpace(
            model_name=Choice(["fasterrcnn_resnet50_fpn"]),
            learning_rate=Uniform(0.0001, 0.001),
            optimizer=Choice(["sgd", "adam", "adamw"]),
            min_size=Choice([600, 800]),  # model-specific
            # warmup_cosine_lr_warmup_epochs=Choice([0, 3]),
        ),
    ]
)

定義搜尋空間和整理設定後，您可以接著提交作業，以使用定型資料集來定型映像模型。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

若要提交 AutoML 作業，請使用 .yml 檔案的路徑、工作區名稱、資源群組和訂用帳戶識別碼來執行下列 CLI 第 2 版命令。

az ml job create --file ./hello-automl-job-basic.yml --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

當您將 AutoML 作業設定為所需的設定時，就可以提交作業。

# Submit the AutoML job
returned_job = ml_client.jobs.create_or_update(
    image_object_detection_job
)  # submit the job to the backend

print(f"Created job: {returned_job}")

執行超參數掃掠時，視覺化那些使用 HyperDrive UI 嘗試的不同試用會很有用。 您可前往上述主要 automl_image_job (亦即 HyperDrive 父代作業) 的 UI 中的 [子作業] 索引標籤，以瀏覽至此 UI。 接著您就可以進入此項的 [子作業] 索引標籤。

或者，您可在下方此處直接查看 HyperDrive 父代作業，並瀏覽至其 [子作業] 索引標籤：

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

CLI example not available, please use Python SDK.

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

hd_job = ml_client.jobs.get(returned_job.name + '_HD')
hd_job

註冊和部署模型

一旦作業完成，您就可以註冊從最佳試用 (產生最佳主要計量的設定) 建立的模型。 您可以在下載後，或使用對應的 jobid 指定 azureml 路徑，以註冊模型。

獲得最佳試用

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

CLI example not available, please use Python SDK.

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Get the best model's child run

best_child_run_id = mlflow_parent_run.data.tags["automl_best_child_run_id"]
print(f"Found best child run id: {best_child_run_id}")

best_run = mlflow_client.get_run(best_child_run_id)

print("Best child run: ")
print(best_run)

# Create local folder
local_dir = "./artifact_downloads"
if not os.path.exists(local_dir):
    os.mkdir(local_dir)

# Download run's artifacts/outputs
local_path = mlflow_client.download_artifacts(
    best_run.info.run_id, "outputs", local_dir
)
print(f"Artifacts downloaded in: {local_path}")
print(f"Artifacts: {os.listdir(local_path)}")

註冊模型

使用 azureml 路徑或本機下載的路徑來註冊模型。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

 az ml model create --name od-fridge-items-mlflow-model --version 1 --path azureml://jobs/$best_run/outputs/artifacts/outputs/mlflow-model/ --type mlflow_model --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

model_name = "od-fridge-items-mlflow-model"
model = Model(
    path=f"azureml://jobs/{best_run.info.run_id}/outputs/artifacts/outputs/mlflow-model/",
    name=model_name,
    description="my sample object detection model",
    type=AssetTypes.MLFLOW_MODEL,
)

# for downloaded file
# model = Model(
#     path=mlflow_model_dir,
#     name=model_name,
#     description="my sample object detection model",
#     type=AssetTypes.MLFLOW_MODEL,
# )

registered_model = ml_client.models.create_or_update(model)

註冊要使用的模型之後，您可以使用受控線上端點 deploy-managed-online-endpoint 進行部署

設定線上端點

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

$schema: https://azuremlschemas.azureedge.net/latest/managedOnlineEndpoint.schema.json
name: od-fridge-items-endpoint
auth_mode: key

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Creating a unique endpoint name with current datetime to avoid conflicts
import datetime

online_endpoint_name = "od-fridge-items-" + datetime.datetime.now().strftime(
    "%m%d%H%M%f"
)

# create an online endpoint
endpoint = ManagedOnlineEndpoint(
    name=online_endpoint_name,
    description="this is a sample online endpoint for deploying model",
    auth_mode="key",
    tags={"foo": "bar"},
)
print(online_endpoint_name)

建立端點

使用稍早建立的 MLClient，我們現在會在工作區中建立端點。 此命令會啟動端點建立，並在端點建立繼續時傳回確認回應。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml online-endpoint create --file .\create_endpoint.yml --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

ml_client.begin_create_or_update(endpoint).result()

我們也可以建立批次端點，以在一段時間內針對大量資料進行批次推斷。 查看物件偵測批次評分筆記本，以使用批次端點進行批次推斷。

設定線上部署

部署是託管執行實際推斷模型所需的一組資源。 我們會使用 ManagedOnlineDeployment 類別為端點建立部署。 您可以針對您的部署叢集使用 GPU 或 CPU VM SKU。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

name: od-fridge-items-mlflow-deploy
endpoint_name: od-fridge-items-endpoint
model: azureml:od-fridge-items-mlflow-model@latest
instance_type: Standard_DS3_v2
instance_count: 1
liveness_probe:
    failure_threshold: 30
    success_threshold: 1
    timeout: 2
    period: 10
    initial_delay: 2000
readiness_probe:
    failure_threshold: 10
    success_threshold: 1
    timeout: 10
    period: 10
    initial_delay: 2000 

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

deployment = ManagedOnlineDeployment(
    name="od-fridge-items-mlflow-deploy",
    endpoint_name=online_endpoint_name,
    model=registered_model.id,
    instance_type="Standard_DS4_V2",
    instance_count=1,
    request_settings=req_timeout,
    liveness_probe=ProbeSettings(
        failure_threshold=30,
        success_threshold=1,
        timeout=2,
        period=10,
        initial_delay=2000,
    ),
    readiness_probe=ProbeSettings(
        failure_threshold=10,
        success_threshold=1,
        timeout=10,
        period=10,
        initial_delay=2000,
    ),
)

建立部署

使用稍早建立的 MLClient，我們會在工作區中建立部署。 此命令會啟動部署建立，並在部署建立繼續時傳回確認回應。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml online-deployment create --file .\create_deployment.yml --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

ml_client.online_deployments.begin_create_or_update(deployment).result()

更新流量：

根據預設，目前部署設定為接收 0% 流量。 您可以設定目前部署應該接收的流量百分比。 具有一個端點的所有部署合計流量百分比不應超過 100%。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

az ml online-endpoint update --name 'od-fridge-items-endpoint' --traffic 'od-fridge-items-mlflow-deploy=100' --workspace-name [YOUR_AZURE_WORKSPACE] --resource-group [YOUR_AZURE_RESOURCE_GROUP] --subscription [YOUR_AZURE_SUBSCRIPTION]

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# od fridge items deployment to take 100% traffic
endpoint.traffic = {"od-fridge-items-mlflow-deploy": 100}
ml_client.begin_create_or_update(endpoint).result()

測試部署

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

CLI example not available, please use Python SDK.

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

# Create request json
import base64

sample_image = os.path.join(dataset_dir, "images", "1.jpg")


def read_image(image_path):
    with open(image_path, "rb") as f:
        return f.read()


request_json = {
    "input_data": {
        "columns": ["image"],
        "data": [base64.encodebytes(read_image(sample_image)).decode("utf-8")],
    }
}

import json

request_file_name = "sample_request_data.json"

with open(request_file_name, "w") as request_file:
    json.dump(request_json, request_file)

resp = ml_client.online_endpoints.invoke(
    endpoint_name=online_endpoint_name,
    deployment_name=deployment.name,
    request_file=request_file_name,
)

將偵測視覺化

您現已為測試影像評分，可以將此影像的週框方塊視覺化。 如要執行此工作，請確定您已安裝 matplotlib。

Azure CLI

適用於：Azure CLI ml 延伸模組 v2 (目前)

CLI example not available, please use Python SDK.

Python SDK

適用於：Python SDK azure-ai-ml v2 (目前)

%matplotlib inline
import matplotlib.pyplot as plt
import matplotlib.image as mpimg
import matplotlib.patches as patches
from PIL import Image
import numpy as np
import json

IMAGE_SIZE = (18, 12)
plt.figure(figsize=IMAGE_SIZE)
img_np = mpimg.imread(sample_image)
img = Image.fromarray(img_np.astype("uint8"), "RGB")
x, y = img.size

fig, ax = plt.subplots(1, figsize=(15, 15))
# Display the image
ax.imshow(img_np)

# draw box and label for each detection
detections = json.loads(resp)
for detect in detections[0]["boxes"]:
    label = detect["label"]
    box = detect["box"]
    conf_score = detect["score"]
    if conf_score > 0.6:
        ymin, xmin, ymax, xmax = (
            box["topY"],
            box["topX"],
            box["bottomY"],
            box["bottomX"],
        )
        topleft_x, topleft_y = x * xmin, y * ymin
        width, height = x * (xmax - xmin), y * (ymax - ymin)
        print(
            f"{detect['label']}: [{round(topleft_x, 3)}, {round(topleft_y, 3)}, "
            f"{round(width, 3)}, {round(height, 3)}], {round(conf_score, 3)}"
        )

        color = np.random.rand(3)  #'red'
        rect = patches.Rectangle(
            (topleft_x, topleft_y),
            width,
            height,
            linewidth=3,
            edgecolor=color,
            facecolor="none",
        )
        ax.add_patch(rect)
        plt.text(topleft_x, topleft_y - 10, label, color=color, fontsize=20)
plt.show()

清除資源

如果您打算執行其他 Azure Machine Learning 教學課程，請不要完成本節。

如果您不打算使用您建立的資源，請刪除它們，以免產生任何費用。

1. 在 Azure 入口網站中，選取最左邊的 [資源群組]。
2. 在清單中，選取您所建立的資源群組。
3. 選取 [刪除資源群組]。
4. 輸入資源群組名稱。 接著選取刪除。

您也可以保留資源群組，但刪除單一工作區。 顯示工作區屬性，然後選取 [刪除]。

下一步

在此自動化機器學習教學課程中，您已執行下列工作：

• 設定工作區和備妥用於實驗的資料。
• 已定型自動化物件偵測模型
• 已指定模型的超參數值
• 已執行超參數整理
• 已部署您的模型
• 已將偵測視覺化

• 深入了解自動化 ML 的電腦視覺。

• 了解如何設定 AutoML 以使用 Python 定型電腦視覺模型。

• 了解如何在電腦視覺模型上設定累加式定型。

• 請參閱電腦視覺工作可用的超參數。

• 程式碼範例：

  Azure CLI

  適用於：Azure CLI ml 延伸模組 v2 (目前)

  • 在自動化機器學習樣本的 azureml-examples 存放庫中，檢閱詳細的程式碼範例和使用案例。 請檢查具有 'cli-automl-image-' 前置詞的資料夾，以取得建置電腦視覺模型的特定範例。

  Python SDK

  適用於：Python SDK azure-ai-ml v2 (目前)

  • 在自動化機器學習範例的 GitHub 筆記本存放庫中，檢閱詳細的程式碼範例和使用案例。 請檢查具有 'automl-image-' 前置詞的資料夾，以取得建置電腦視覺模型的特定範例。

注意

您可以透過 MIT 授權下的授權，來使用冰箱物件資料集。