ImageModelSettingsObjectDetection Třída
Nastavení modelu pro úlohu detekce objektu obrázku automatizovaného strojového učení
- Dědičnost
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
Konstruktor
ImageModelSettingsObjectDetection(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, box_detections_per_image: int | None = None, box_score_threshold: float | None = None, image_size: int | None = None, max_size: int | None = None, min_size: int | None = None, model_size: ModelSize | None = None, multi_scale: bool | None = None, nms_iou_threshold: float | None = None, tile_grid_size: str | None = None, tile_overlap_ratio: float | None = None, tile_predictions_nms_threshold: float | None = None, validation_iou_threshold: float | None = None, validation_metric_type: ValidationMetricType | None = None, log_training_metrics: LogTrainingMetrics | None = None, log_validation_loss: LogValidationLoss | None = None, **kwargs)
Parametry
- beta1
- float
Hodnota beta1, pokud optimalizátor je adam nebo adamw. Musí se jednat o float v rozsahu [0, 1].
- beta2
- float
Hodnota beta2, pokud je optimalizátor adam nebo adamw. Musí se jednat o float v rozsahu [0, 1].
- checkpoint_frequency
- int
Frekvence ukládání kontrolních bodů modelu Musí být kladné celé číslo.
- checkpoint_run_id
- str
ID předchozího spuštění, které má předem vytrénovaný kontrolní bod pro přírůstkové trénování.
- early_stopping_delay
- int
Minimální počet epoch nebo ověřovacích vyhodnocení, která se mají počkat, než se bude sledovat zlepšení primární metriky kvůli předčasnému zastavení. Musí být kladné celé číslo.
- early_stopping_patience
- int
Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění. Musí být kladné celé číslo.
- evaluation_frequency
- int
Frekvence vyhodnocování ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo.
- gradient_accumulation_step
- int
Akumulace gradientu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotnosti modelu při nahromadění přechodů těchto kroků a následné použití nahromaděných přechodů k výpočtu aktualizací váhy. Musí být kladné celé číslo.
- layers_to_freeze
- int
Počet vrstev, které se mají u modelu ukotvit Musí být kladné celé číslo. Například předání hodnoty 2 jako hodnoty pro 'seresnext' znamená zamrznutí vrstvy0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete tady: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate_scheduler
- str nebo LearningRateScheduler
Typ plánovače rychlosti učení Musí to být warmup_cosine nebo step. Mezi možné hodnoty patří: "None", "WarmupCosine", "Step".
- model_name
- str
Název modelu, který se má použít pro trénování. Další informace o dostupných modelech najdete v oficiální dokumentaci: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Hodnota dynamiky, když je optimalizátor "sgd". Musí se jednat o float v rozsahu [0, 1].
- number_of_workers
- int
Počet pracovních procesů zavaděče dat Musí to být nezáporné celé číslo.
- optimizer
- str nebo StochasticOptimizer
Typ optimalizátoru Mezi možné hodnoty patří: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Náhodné počáteční údaje, které se mají použít při použití deterministického trénování.
- step_lr_gamma
- float
Hodnota gama při plánovači rychlosti učení je "krok". Musí se jednat o float v rozsahu [0, 1].
- step_lr_step_size
- int
Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo.
- warmup_cosine_lr_cycles
- float
Hodnota kosinusového cyklu při plánovači rychlosti učení je "warmup_cosine". Musí se jednat o float v rozsahu [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Hodnota epoch zahřátí při plánovači rychlosti učení je "warmup_cosine". Musí být kladné celé číslo.
- weight_decay
- float
Hodnota hmotnosti se rozpadne, když optimalizátor je "sgd", "adam" nebo "adamw". Musí se jednat o float v rozsahu[0, 1].
- box_detections_per_image
- int
Maximální počet detekcí na obrázek pro všechny třídy Musí být kladné celé číslo. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
- box_score_threshold
- float
Během odvozu vrací pouze návrhy se skóre klasifikace větším než BoxScoreThreshold. Musí se jednat o float v rozsahu[0, 1].
- image_size
- int
Velikost obrázku pro trénování a ověřování. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".
- max_size
- int
Maximální velikost obrázku, který se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
- min_size
- int
Minimální velikost obrázku, která se má před odesláním do páteřní sítě změnit měřítko. Musí být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
Velikost modelu. Musí být "malé", "střední", "velké". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je model příliš velký. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5". Mezi možné hodnoty patří: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Povolte image s více měřítky tím, že velikost obrázku se liší o +/-50 %. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".
- nms_iou_threshold
- float
Prahová hodnota IOU použitá při odvození v nms následném zpracování. Musí se jednat o float v rozsahu [0, 1].
- tile_grid_size
- str
Velikost mřížky, která se má použít pro dlaždici každého obrázku. Poznámka: Pokud chcete povolit logiku detekce malých objektů, tileGridSize nesmí být žádná. Řetězec obsahující dvě celá čísla ve formátu mxn. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
- tile_overlap_ratio
- float
Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1). Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
- tile_predictions_nms_threshold
- float
Prahová hodnota IOU, která se použije k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]. Poznámka: Toto nastavení není podporováno pro algoritmus "yolov5".
- validation_iou_threshold
- float
Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být plovoucí v rozsahu [0, 1].
- validation_metric_type
- str nebo ValidationMetricType
Metoda výpočtu metrik, která se má použít pro metriky ověřování. Mezi možné hodnoty patří: "None", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str nebo <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
označuje, jestli se mají protokolovat trénovací metriky.
- log_validation_loss
- str nebo <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
označuje, jestli se má protokolovat ztráta ověření.
Azure SDK for Python
Váš názor
https://aka.ms/ContentUserFeedback.
Připravujeme: V průběhu roku 2024 budeme postupně vyřazovat problémy z GitHub coby mechanismus zpětné vazby pro obsah a nahrazovat ho novým systémem zpětné vazby. Další informace naleznete v tématu:Odeslat a zobrazit názory pro