Počítačové vidění

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 notebook poskytuje jednoduchý příklad, jak trénovat 2D konvoluční neuronovou síť na AI Runtime 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 notebook ukazuje, jak trénovat model detekce objektů pomocí RetinaNet v AI Runtime.
Rozpoznávání objektů pomocí YOLO11n Notebook Tento notebook ukazuje, jak trénovat model detekce objektů YOLO11n na datové sadě COCO128 pomocí AI Runtime, se sledováním MLflow a nasazením Model Serving.
Jemné ladění klasifikace obrazu pomocí DINOv3 CLI Doladit vision transformátor DINOv3 na Oxford Flowers-102 na jednom GPU A10 a zabalit vybraný model pro inferenci.
Klasifikace akcí ve videu CLI Trénujte rekurentní klasifikátor na jednom GPU A10, aby rozpoznával akce z příznaků video snímků vytvořených ResNet-18.
Dávkové porozumění obrazu pomocí Qwen3-VL-8B a vLLM CLI Použijte Ray Data a vLLM k popiskování a klasifikaci obrázků na 8x H100 uzlu se strukturovanými výstupy.