ImageObjectDetectionSearchSpace Třída
Vyhledejte místo pro úlohy Detekce objektů obrázků AutoML a Segmentace instancí obrázků.
- Dědičnost
-
azure.ai.ml.entities._mixins.RestTranslatableMixinImageObjectDetectionSearchSpace
Konstruktor
ImageObjectDetectionSearchSpace(*, ams_gradient: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, beta1: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, beta2: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, distributed: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, early_stopping: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, early_stopping_delay: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, early_stopping_patience: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, enable_onnx_normalization: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, evaluation_frequency: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, gradient_accumulation_step: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, layers_to_freeze: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, learning_rate: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, learning_rate_scheduler: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, model_name: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, momentum: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, nesterov: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, number_of_epochs: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, number_of_workers: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, optimizer: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, random_seed: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, step_lr_gamma: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, step_lr_step_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, training_batch_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, validation_batch_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, warmup_cosine_lr_cycles: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, warmup_cosine_lr_warmup_epochs: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, weight_decay: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, box_detections_per_image: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, box_score_threshold: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, image_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, max_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, min_size: int | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, model_size: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, multi_scale: bool | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, nms_iou_threshold: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, tile_grid_size: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, tile_overlap_ratio: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, tile_predictions_nms_threshold: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, validation_iou_threshold: float | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None, validation_metric_type: str | Choice | LogNormal | LogUniform | Normal | QLogNormal | QLogUniform | QNormal | QUniform | Randint | Uniform | None = None)
Parametry
- ams_gradient
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Povolte AMSGrad, pokud je optimalizátor "adam" nebo "adamw".
- beta1
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota beta1, pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1].
- beta2
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota "beta2", pokud optimalizátor je "adam" nebo "adamw". Musí být float v rozsahu [0, 1].
- distributed
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Jestli se má použít trénování distribuce.
- early_stopping
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Povolte logiku předčasného zastavení během trénování.
- early_stopping_delay
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Minimální počet epoch nebo vyhodnocení ověření, která se mají počkat, než se bude sledovat zlepšení primární metriky pro předčasné zastavení. Musí být kladné celé číslo.
- early_stopping_patience
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Minimální počet epoch nebo vyhodnocení ověření bez zlepšení primární metriky před zastavením spuštění Musí být kladné celé číslo.
- enable_onnx_normalization
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Povolte normalizaci při exportu modelu ONNX.
- evaluation_frequency
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí být kladné celé číslo.
- gradient_accumulation_step
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Akumulace gradientu znamená spuštění nakonfigurovaného počtu kroků GradAccumulationStep bez aktualizace hmotnosti modelu při nahromadění přechodů těchto kroků a následné použití kumulovaných přechodů k výpočtu aktualizací hmotnosti. Musí být kladné celé číslo.
- layers_to_freeze
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Počet vrstev, které se mají u modelu ukotvit. Musí být kladné celé číslo. Například předání 2 jako hodnoty pro "seresnext" znamená zamrznutí vrstvy 0 a vrstvy1. Úplný seznam podporovaných modelů a podrobnosti o ukotvení vrstev najdete tady: https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint: disable=line-too-long
- learning_rate
Počáteční rychlost učení. Musí být float v rozsahu [0, 1]. :type learning_rate: float nebo ~azure.ai.ml.entities.SweepDistribution
- learning_rate_scheduler
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
Typ plánovače rychlosti učení Musí to být "warmup_cosine" nebo "krok".
- model_name
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
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 nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota dynamiky optimalizátoru je "sgd". Musí být float v rozsahu [0, 1].
- nesterov
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Povolte nesterov, pokud je optimalizátor "sgd".
- number_of_epochs
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Počet epoch trénování Musí být kladné celé číslo.
- number_of_workers
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Počet pracovních procesů zavaděče dat. Musí to být nezáporné celé číslo.
- optimizer
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
Typ optimalizátoru Musí to být "sgd", "adam" nebo "adamw".
- random_seed
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Náhodná počáteční hodnota, která se má použít při použití deterministického trénování.
- step_lr_gamma
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota gama při plánovači rychlosti učení je "krok". Musí být float v rozsahu [0, 1].
- step_lr_step_size
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota velikosti kroku při plánovači rychlosti učení je "krok". Musí být kladné celé číslo.
- training_batch_size
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Velikost trénovací dávky. Musí být kladné celé číslo.
- validation_batch_size
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Velikost dávky ověření. Musí být kladné celé číslo.
- warmup_cosine_lr_cycles
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota kosinusového cyklu při učení plánovače rychlosti je "warmup_cosine". Musí být float v rozsahu [0, 1].
- warmup_cosine_lr_warmup_epochs
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota zahřívacích epoch v plánovači míry učení je "warmup_cosine". Musí být kladné celé číslo.
- weight_decay
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Hodnota poklesu hmotnosti, když optimalizátor je "sgd", "adam" nebo "adamw". Musí být float v rozsahu[0, 1].
- box_detections_per_image
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
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 nebo <xref:azure.ai.ml.entities.SweepDistribution>
Během odvozováním vrací pouze návrhy s vyšším skóre klasifikace než BoxScoreThreshold. Musí být float v rozsahu[0, 1].
- image_size
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
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
Maximální velikost obrázku, který má být před odesláním do páteřní sítě přeškálován. 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". :type max_size: int nebo ~azure.ai.ml.entities.SweepDistribution
- min_size
- int nebo <xref:azure.ai.ml.entities.SweepDistribution>
Minimální velikost image, která se má změnit na měřítko před tím, než ho nasdílíte do páteřní sítě. 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".
- model_size
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
Velikost modelu. Musí být "malé", "střední", "velké" nebo "extra_large". Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud je velikost modelu příliš velká. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".
- multi_scale
- bool nebo <xref:azure.ai.ml.entities.SweepDistribution>
Povolte vícenásobnou velikost obrázku tak, že velikost obrázku nastavíte o +/- 50 %. Poznámka: Trénovací běh se může dostat do OOM CUDA, pokud není dostatek paměti GPU. Poznámka: Toto nastavení je podporováno pouze pro algoritmus "yolov5".
- nms_iou_threshold
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Prahová hodnota IOU použitá při odvození v NMS po zpracování. Musí být float v rozsahu [0, 1].
- tile_grid_size
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
Velikost mřížky, která se má použít pro dlaždici jednotlivých obrázků. Poznámka: TileGridSize nesmí být Žádný, aby se povolila logika detekce malých objektů. Řetězec obsahující dvě celá čísla ve formátu mxn.
- tile_overlap_ratio
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Poměr překrytí mezi sousedními dlaždicemi v jednotlivých dimenzích Musí být float v rozsahu [0, 1).
- tile_predictions_nms_threshold
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být float v rozsahu [0, 1]. NMS: Ne maximální potlačení.
- validation_iou_threshold
- float nebo <xref:azure.ai.ml.entities.SweepDistribution>
Prahová hodnota IOU, která se má použít při výpočtu metriky ověřování. Musí být float v rozsahu [0, 1].
- validation_metric_type
- str nebo <xref:azure.ai.ml.entities.SweepDistribution>
Metoda výpočtu metrik, která se má použít pro ověřovací metriky. Musí být "none", "coco", "voc" nebo "coco_voc".
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