Driverless AI 图像处理¶

Driverless AI 图像处理是一款功能强大的工具，可用于从数字图像中获得见解。以下各节介绍 Driverless AI 的图像处理功能。

注解

图像处理支持的文件类型¶

以下是 Driverless AI 中图像处理支持的文件类型列表：

由于浏览器受限，从 GUI 查看数据集行时，某些格式的图像可能无法呈现（如 .ppm、.tiff、.pnm 和 .exr）。这些图像仍与 Driverless AI 兼容，如果 DAI 为这些图像提供见解，则它们将显示在见解列。

理想情况下，Driverless AI 可以支持所有 OpenCV Image formats.

Driverless AI 支持多种图像数据集上传方法：

Driverless AI 有两种不同的构建图像模型的方法。

Image Vectorizer transformer 可使用 TensorFlow pre-trained ImageNet models 将具有图像路径或 URI 的列转换为嵌入（向量）表示形式（衍生自模型的最后一个全局平均池化层）。所得到的向量用于 Driverless AI 中的建模。

专家设置 面板中有几个选项可让您能配置 Image Vectorizer 转换器。可在实验页面中评分器旋钮的上方找到此面板。请参阅图像设置，了解更多关于这些选项的信息。

请注意：

自动图像模型是一种 AutoML 模型，仅接受一个图像和一个标签作为输入特征。此模型会自动选择超参数，例如学习率、优化器、批处理大小和图像输入大小。它还通过选择时期数、裁剪策略、增强和学习率调度器来使训练进程自动化。

自动图像模型使用 TensorFlow ImageNet models 并从中启动训练进程。可用的架构列表包括所有大家熟知的模型：(SE)-ResNe(X)ts、DenseNets、EfficientNets 等。

独特见解可为当前最佳个体模型提供信息和样本图像，因而适用于自动图像模型。若需查看这些见解，可在实验运行时或实验结束后点击见解选项。更多信息，请参阅 ImageAuto 模型见解.

每个个别模型的评分（以及神经网络架构名称）均可在“迭代数据”面板中找到。迭代数据的最后一个点始终为 ENSEMBLE。这表明最终模型集成了多个个体模型。

若需启用自动图像模型，可导航至 pipeline-building-recipe 专家设置，然后选择 image_model 选项：

确认选择后，点击保存。实验预览部分将进行更新，以包含关于自动图像模型的信息：

请注意：

此种建模方法仅支持输入单个图像列。
此种建模方法不支持任何转换器。
此种建模方法支持分类和回归实验。
由于对输入特征有所限制，此种建模方法不支持使用混合数据类型。
此种建模方法未使用 Genetic Algorithm (GA)。
强烈建议为此种建模方法使用一个或多个 GPU。
如果已连接互联网，则会自动下载 ImageNet 预训练权重。如果未连接互联网，则必须从 http://s3.amazonaws.com/artifacts.h2o.ai/releases/ai/h2o/pretrained/dai_image_models_1_10.zip 下载权重，并将其提取至 tensorflow_image_pretrained_models_dir``（默认为 ``./pretrained/image/）。
如果使用 Driverless AI Docker install 广泛运行图像模型，我们建议使用设置 --shm-size=2g.

Image Vectorizer Transformer. 支持使用 Python scoring 和 C++ MOJO scoring 。目前，image models. 仅支持使用 Python 评分管道。