Fusion Haute Performance Image-Bounding Box

Pouvez-vous fournir un exemple concret de syntaxe pour fusionner des images avec leurs boîtes englobantes ? - dlJoin

Absolument. Lors de la conception de vos flux d'ingénierie de données, vous utiliserez l'API de scripting pour instruire le serveur. Voici comment structurer cette requête complexe en garantissant la pérennité de la table cible :

1	PROC CAS; DEEPLEARN.dlJoin / TABLE={name="images_source", caslib="CASUSER"} annotatedTable={name="labels_bounding_boxes", caslib="CASUSER"} id="image_id" joinType="INNER" casOut={name="dataset_vision_prepare", caslib="CASUSER", replace=TRUE}; RUN; QUIT;

Cette instruction garantit que seules les images possédant une annotation valide seront conservées, structurant ainsi un jeu de données propre et prêt à être injecté dans vos algorithmes d'apprentissage profondL'apprentissage profond (Deep Learning) est une branche de l'IA utilisant des réseaux de neurones multicouches pour modéliser des données complexes et automatiser l'extraction de caractéristiques..

Schéma : Pouvez-vous fournir un exemple concret de syntaxe pour fusionner des images avec leurs boîtes englobantes ?

Exemples pour l'action dlJoin

Jointure gauche basique

Un petit exemple classique pour lier nos données à leurs étiquettes avec une jointure gauche (LEFT join).

Jointure interne (INNER) avec paramètres avancés

Soyons un peu plus stricts et conservons uniquement les enregistrements ayant une correspondance dans les deux tables, tout en utilisant la compression pour la table de sortie.

Conseil de l'Expert

Avant de procéder à la fusion, assurez-vous que votre table de labels est correctement indexée sur la colonne id. Pour des performances optimales sur des millions d'images, utilisez le paramètre id pour éviter les scans complets de table et privilégiez le chargement des images en format "Large Object" (BLOB) dans CAS pour minimiser les entrées/sorties disque.

Architecture Technique de l'Action dlJoin

Alignement Multimodal : L'action synchronise les données non structurées (images) avec les données structurées (coordonnées $x, y, w, h$) via une jointure distribuée en mémoire.
Gestion du Format Yolo/COCO : Le moteur deepLearn supporte nativement les formats de labels standards, facilitant l'injection directe vers des modèles ResNet ou YOLO.
Immuabilité et Persistance : L'utilisation de replace=TRUE dans casOut est critique dans Viya 4 pour permettre l'idempotence des pipelines de données (DataOps).
Intégrité de la Jointure : Le joinType="INNER" garantit que seules les images possédant des annotations valides sont conservées, éliminant ainsi le bruit avant la phase d'entraînement.
Parallélisation Massive : L'opération est répartie sur tous les workers du cluster CAS, exploitant la puissance du MPP (Massive Parallel Processing).