Poznámka:
Přístup k této stránce vyžaduje autorizaci. Můžete se zkusit přihlásit nebo změnit adresáře.
Přístup k této stránce vyžaduje autorizaci. Můžete zkusit změnit adresáře.
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. |