Počítačové vidění

Důležité

Tato funkce je ve verzi Public Preview.

Tyto příklady trénují modely počítačového vidění na AI Runtime. Zahrnují klasifikaci obrazů, ladění hyperparametrů pomocí Ray Tune a detekci objektů.

Example	Interface	Description
Klasifikace obrázků pomocí konvoluční neurální sítě	Notebook	Tento poznámkový blok poskytuje jednoduchý příklad trénování neurální sítě konvoluce 2D na bezserverových grafických procesorech pro klasifikaci obrázků.
Ladění hyperparametrů CIFAR-10 pomocí Ray Tune	Notebook	Tento notebook provádí současné zkoušky frakcionálního GPU pro klasifikátor obrazu PyTorch a využívá algoritmus asynchronního postupného polovinování (ASHA), aby zabránil brzkým podvýkonům konfigurací.
Rozpoznávání objektů pomocí sítnice	Notebook	Tento poznámkový blok ukazuje, jak natrénovat model detekce objektů pomocí RetinaNet na serverless GPU.
Rozpoznávání objektů pomocí YOLO11n	Notebook	Tento notebook ukazuje, jak natrénovat model detekce objektů YOLO11n na datové sadě COCO128 pomocí serverless GPU, se sledováním v MLflow a s nasazením služby Model Serving.
ResNet-50 doladění na Imagenette	CLI	Použijte Ray Train k jemnému doladění ResNet-50 s jedním workerem Distributed Data Parallel na každé GPU A10 na dvou uzlech a protokolujte metriky do MLflow.