ImageModelSettingsObjectDetection Klasse
Modelleinstellungen für den AutoML-Task zur Bildobjekterkennung.
- Vererbung
-
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)
Parameter
- beta1
- float
Wert von "beta1", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- beta2
- float
Wert von "beta2", wenn der Optimierer "adam" oder "adamw" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- checkpoint_frequency
- int
Häufigkeit zum Speichern von Modellprüfpunkten. Der Wert muss eine positive ganze Zahl sein.
- checkpoint_run_id
- str
Die ID einer vorherigen Ausführung mit einem vortrainierten Prüfpunkt für das inkrementelle Training.
- early_stopping_delay
- int
Mindestanzahl von Epochen oder Validierungsauswertungen, die gewartet werden müssen, bevor die primäre Metrikverbesserung für ein frühzeitiges Beenden nachverfolgt wird. Der Wert muss eine positive ganze Zahl sein.
- early_stopping_patience
- int
Mindestanzahl von Epochen oder Validierungsauswertungen ohne primäre Metrikverbesserung, bevor die Ausführung beendet wird. Der Wert muss eine positive ganze Zahl sein.
- enable_onnx_normalization
- bool
Aktivieren Sie die Normalisierung beim Exportieren des ONNX-Modells.
- evaluation_frequency
- int
Häufigkeit zum Auswerten des Validierungsdatasets, um Metrikergebnisse zu erhalten. Der Wert muss eine positive ganze Zahl sein.
- gradient_accumulation_step
- int
Farbverlaufsakkumulation bedeutet, dass eine konfigurierte Anzahl von "GradAccumulationStep"-Schritten ausgeführt wird, ohne die Modellgewichte zu aktualisieren, während die Gradienten dieser Schritte akkumuliert werden und dann die akkumulierten Gradienten zum Berechnen der Gewichtungsupdates verwendet werden. Der Wert muss eine positive ganze Zahl sein.
- layers_to_freeze
- int
Anzahl der Ebenen, die für das Modell eingefroren werden sollen. Der Wert muss eine positive ganze Zahl sein. Für instance bedeutet das Übergeben von 2 als Wert für "seresnext" das Einfrieren von layer0 und layer1. Eine vollständige Liste der unterstützten Modelle und Details zum Einfrieren von Ebenen finden Sie unter : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Anfängliche Lernrate. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- learning_rate_scheduler
- str oder LearningRateScheduler
Typ des Lernratenplaners. Muss "warmup_cosine" oder "Schritt" sein. Mögliche Werte sind: "None", "WarmupCosine", "Step".
- model_name
- str
Name des Modells, das für das Training verwendet werden soll. Weitere Informationen zu den verfügbaren Modellen finden Sie in der offiziellen Dokumentation: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Wert des Momentums, wenn der Optimierer "sgd" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- number_of_epochs
- int
Anzahl der Trainingsepochen Der Wert muss eine positive ganze Zahl sein.
- number_of_workers
- int
Anzahl der Datenlade-Worker. Muss eine nicht negative ganze Zahl sein.
- optimizer
- str oder StochasticOptimizer
Typ des Optimierers. Mögliche Werte sind: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Zufälliger Seed, der bei deterministischem Training verwendet werden soll.
- step_lr_gamma
- float
Wert von Gamma, wenn der Lernratenplaner "Schritt" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- step_lr_step_size
- int
Wert der Schrittgröße, wenn der Lernratenplaner "Schritt" ist. Der Wert muss eine positive ganze Zahl sein.
- training_batch_size
- int
Trainingsbatchgröße. Der Wert muss eine positive ganze Zahl sein.
- validation_batch_size
- int
Überprüfungsbatchgröße. Der Wert muss eine positive ganze Zahl sein.
- warmup_cosine_lr_cycles
- float
Der Wert des Kosinuszyklus, wenn der Lernratenplaner "warmup_cosine" ist. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- warmup_cosine_lr_warmup_epochs
- int
Wert von Aufwärmzeiten, wenn der Lernratenplaner "warmup_cosine" ist. Der Wert muss eine positive ganze Zahl sein.
- weight_decay
- float
Wert des Gewichtszerfalls, wenn der Optimierer "sgd", "adam" oder "adamw" ist. Muss ein Float im Bereich [0, 1] sein.
- box_detections_per_image
- int
Maximale Anzahl von Erkennungen pro Bild für alle Klassen. Der Wert muss eine positive ganze Zahl sein. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
- box_score_threshold
- float
Geben Sie während des Rückschlusss nur Vorschläge mit einer Klassifizierungsbewertung zurück, die größer als BoxScoreThreshold ist. Muss ein Float im Bereich [0, 1] sein.
- image_size
- int
Bildgröße für Training und Validierung. Der Wert muss eine positive ganze Zahl sein. Hinweis: Die Trainingsausführung kann in CUDA OOM angezeigt werden, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden nur für den "yolov5"-Algorithmus unterstützt.
- max_size
- int
Maximale Größe des Bilds, das neu skaliert werden soll, bevor es an den Backbone weitergeleitet wird. Der Wert muss eine positive ganze Zahl sein. Hinweis: Bei der Trainingsausführung kann es zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
- min_size
- int
Mindestgröße des Bilds, das neu skaliert werden soll, bevor es an den Backbone weitergeleitet wird. Der Wert muss eine positive ganze Zahl sein. Hinweis: Bei der Trainingsausführung kann es zu CUDA OOM kommen, wenn die Größe zu groß ist. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
Modellgröße. Muss "klein", "mittel", "groß" sein. Hinweis: Bei der Trainingsausführung kann es zu CUDA OOM kommen, wenn die Modellgröße zu groß ist. Hinweis: Diese Einstellungen werden nur für den "yolov5"-Algorithmus unterstützt. Mögliche Werte sind: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Aktivieren Sie Bilder mit mehreren Skalierungen, indem Sie die Bildgröße um +/- 50 % variieren. Hinweis: Bei der Trainingsausführung kann es zu CUDA OOM kommen, wenn nicht ausreichend GPU-Arbeitsspeicher verfügbar ist. Hinweis: Diese Einstellungen werden nur für den "yolov5"-Algorithmus unterstützt.
- nms_iou_threshold
- float
IOU-Schwellenwert, der beim Rückschluss in der NMS-Nachverarbeitung verwendet wird. Muss ein Gleitkommawert im Bereich [0, 1] sein.
- tile_grid_size
- str
Die Rastergröße, die für die Kachelung der einzelnen Bilder verwendet werden soll. Hinweis: TileGridSize darf nicht None sein, um die Erkennungslogik für kleine Objekte zu aktivieren. Eine Zeichenfolge, die zwei ganze Zahlen im mxn-Format enthält. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
- tile_overlap_ratio
- float
Überlappungsverhältnis zwischen angrenzenden Kacheln in den einzelnen Dimensionen. Muss im Bereich [0, 1] liegen. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
- tile_predictions_nms_threshold
- float
Der IOU-Schwellenwert, der zum Ausführen von NMS beim Zusammenführen von Vorhersagen aus Kacheln und Bildern verwendet werden soll. Wird bei der Validierung bzw. beim Rückschließen verwendet. Muss im Bereich [0, 1] liegen. Hinweis: Diese Einstellungen werden für den "yolov5"-Algorithmus nicht unterstützt.
- validation_iou_threshold
- float
IOU-Schwellenwert, der beim Berechnen der Validierungsmetrik verwendet werden soll. Muss im Bereich [0, 1] liegen.
- validation_metric_type
- str oder ValidationMetricType
Metrikberechnungsmethode, die für Validierungsmetriken zu verwenden ist. Mögliche Werte sind: "None", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str oder <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
Gibt an, ob Trainingsmetriken protokolliert werden sollen.
- log_validation_loss
- str oder <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Gibt an, ob Validierungsverluste protokolliert werden sollen.
Azure SDK for Python
Feedback
https://aka.ms/ContentUserFeedback.
Bald verfügbar: Im Laufe des Jahres 2024 werden wir GitHub-Issues stufenweise als Feedbackmechanismus für Inhalte abbauen und durch ein neues Feedbacksystem ersetzen. Weitere Informationen finden Sie unterFeedback senden und anzeigen für