Maschinelles Sehen

Diese Beispiele trainieren Computer-Vision-Modelle in AI Runtime. Sie behandeln Bildklassifikation, Hyperparameter-Tuning mit Ray Tune und Objekterkennung.

Example	Interface	Beschreibung
Bildklassifizierung mit konvolutionalem neuralem Netzwerk	Notebook	Dieses Notebook bietet ein einfaches Beispiel dafür, wie man ein 2D-Faltungsneurales Netzwerk in AI Runtime für die Bildklassifikation trainieren kann.
CIFAR-10-Hyperparameter-Abstimmung mit Ray Tune	Notebook	Dieses Notebook führt parallele Tests mit GPU-Teilressourcen für einen PyTorch-Bildklassifikator aus und verwendet den asynchronen Successive-Halving-Algorithmus (ASHA), um leistungsschwache Konfigurationen frühzeitig zu stoppen.
Objekterkennung mit RetinaNet	Notebook	Dieses Notebook zeigt, wie man ein Objekterkennungsmodell mit RetinaNet auf AI Runtime trainieren kann.
Objekterkennung mit YOLO11n	Notebook	Dieses Notizbuch zeigt, wie man ein YOLO11n-Objekterkennungsmodell auf dem COCO128-Datensatz mit AI Runtime trainieren kann, mit MLflow-Tracking und Model Serving Deployment.
ResNet-50-Feinabstimmung auf Imagenette	CLI	Verwenden Sie Ray Train, um ResNet-50 mit einem verteilten Daten-Parallelworker pro A10-GPU über zwei Knoten zu optimieren und Metriken in MLflow zu protokollieren.
Feinabstimmung der Bildklassifikation mit DINOv3	CLI	Feinjustieren Sie einen DINOv3-Visionstransformator auf der Oxford Flowers-102 auf einer A10-GPU und verpacken Sie das ausgewählte Modell zur Inferenz.
Video-Action-Klassifikation	CLI	Trainieren Sie einen rekurrenten Klassifikator auf einer A10-GPU, um Handlungen aus Videoframe-Features von ResNet-18 zu erkennen.
Batch-Bildverständnis mit Qwen3-VL-8B und vLLM	CLI	Verwenden Sie Ray Data und vLLM, um Bilder auf einem 8x-H100-Knoten mit strukturierten Ausgaben zu beschriften und zu klassifizieren.