ImageModelSettingsObjectDetection Clase
Configuración del modelo para la tarea Detección de objetos de imagen autoML.
- Herencia
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
Constructor
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)
Parámetros
- beta1
- float
Valor de "beta1" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
- beta2
- float
Valor de "beta2" cuando el optimizador es "adam" o "adamw". Debe ser un valor float en el intervalo [0, 1].
- checkpoint_frequency
- int
Frecuencia para almacenar puntos de control del modelo. Debe ser un entero positivo.
- checkpoint_run_id
- str
Identificador de una ejecución anterior que tiene un punto de control entrenado previamente para el entrenamiento incremental.
- early_stopping_delay
- int
Número mínimo de épocas o evaluaciones de validación que se deben esperar antes de que se realice un seguimiento de la mejora de la métrica principal para la detención temprana. Debe ser un entero positivo.
- early_stopping_patience
- int
Número mínimo de épocas o evaluaciones de validación sin mejora de métrica principal antes de detener la ejecución. Debe ser un entero positivo.
- evaluation_frequency
- int
Frecuencia para evaluar el conjunto de datos de validación para obtener puntuaciones de métricas. Debe ser un entero positivo.
- gradient_accumulation_step
- int
La acumulación de degradado significa ejecutar un número configurado de pasos "GradAccumulationStep" sin actualizar los pesos del modelo al acumular los degradados de esos pasos y, a continuación, usar los degradados acumulados para calcular las actualizaciones de peso. Debe ser un entero positivo.
- layers_to_freeze
- int
Número de capas que se van a inmovilizar para el modelo. Debe ser un entero positivo. Por ejemplo, pasar 2 como valor para "seresnext" significa congelación de capa0 y capa1. Para obtener una lista completa de los modelos admitidos y detalles sobre la inmovilización de capas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Velocidad de aprendizaje inicial. Debe ser un valor float en el intervalo [0, 1].
- learning_rate_scheduler
- str o LearningRateScheduler
Tipo de programador de velocidad de aprendizaje. Debe ser "warmup_cosine" o "paso". Entre los valores posibles se incluyen: "None", "WarmupCosine", "Step".
- model_name
- str
Nombre del modelo que se va a usar para el entrenamiento. Para obtener más información sobre los modelos disponibles, visite la documentación oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valor del impulso cuando el optimizador es "sgd". Debe ser un valor float en el intervalo [0, 1].
- number_of_workers
- int
Número de trabajos del cargador de datos. Debe ser un entero no negativo.
- optimizer
- str o StochasticOptimizer
Tipo de optimizador. Entre los valores posibles se incluyen: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Inicialización aleatoria que se usará al usar el entrenamiento determinista.
- step_lr_gamma
- float
Valor de gamma cuando el programador de velocidad de aprendizaje es "paso". Debe ser un valor float en el intervalo [0, 1].
- step_lr_step_size
- int
Valor del tamaño del paso cuando el programador de velocidad de aprendizaje es "paso". Debe ser un entero positivo.
- warmup_cosine_lr_cycles
- float
Valor del ciclo de coseno cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un valor float en el intervalo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Valor de las épocas de preparación cuando el programador de velocidad de aprendizaje es "warmup_cosine". Debe ser un entero positivo.
- weight_decay
- float
Valor de la descomposición del peso cuando el optimizador es "sgd", "adam" o "adamw". Debe ser un valor flotante en el intervalo[0, 1].
- box_detections_per_image
- int
Número máximo de detecciones por imagen, para todas las clases. Debe ser un entero positivo. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- box_score_threshold
- float
Durante la inferencia, solo devuelve propuestas con una puntuación de clasificación mayor que BoxScoreThreshold. Debe ser un valor flotante en el intervalo[0, 1].
- image_size
- int
Tamaño de la imagen para entrenamiento y validación. Debe ser un entero positivo. Nota: La ejecución de entrenamiento puede entrar en CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5".
- max_size
- int
Tamaño máximo de la imagen que se va a volver a escalar antes de proporcionársela a la red troncal. Debe ser un entero positivo. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- min_size
- int
Tamaño mínimo de la imagen que se va a volver a escalar antes de proporcionársela a la red troncal. Debe ser un entero positivo. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño es demasiado grande. Nota: Esta configuración no se admite para el algoritmo "yolov5".
Tamaño del modelo. Debe ser "pequeño", "mediano", "grande". Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si el tamaño del modelo es demasiado grande. Nota: Esta configuración solo se admite para el algoritmo "yolov5". Entre los valores posibles se incluyen: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Habilite la imagen a escala múltiple variando el tamaño de la imagen en +/- 50 %. Nota: La ejecución del entrenamiento puede llegar a CUDA OOM si no hay suficiente memoria de GPU. Nota: Esta configuración solo se admite para el algoritmo "yolov5".
- nms_iou_threshold
- float
Umbral IOU utilizado durante la inferencia en el procesamiento posterior de NMS. Debe ser un valor float en el intervalo [0, 1].
- tile_grid_size
- str
Tamaño de la cuadrícula que se usará para la colocación en mosaico de cada imagen. Nota: TileGridSize no debe ser None para habilitar la lógica de detección de objetos pequeños. Cadena que contiene dos enteros en formato mxn. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- tile_overlap_ratio
- float
Proporción de superposición entre mosaicos adyacentes en cada dimensión. Debe ser float en el intervalo [0, 1). Nota: Esta configuración no se admite para el algoritmo "yolov5".
- tile_predictions_nms_threshold
- float
Umbral IOU que se usará para realizar NMS al combinar predicciones de mosaicos e imágenes. Se usa en la validación o inferencia. Debe ser float en el intervalo [0, 1]. Nota: Esta configuración no se admite para el algoritmo "yolov5".
- validation_iou_threshold
- float
Umbral IOU que se va a usar al calcular la métrica de validación. Debe ser float en el intervalo [0, 1].
- validation_metric_type
- str o ValidationMetricType
Método de cálculo de métricas que se usará para las métricas de validación. Entre los valores posibles se incluyen: "None", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str o <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
indica si se van a registrar o no métricas de entrenamiento.
- log_validation_loss
- str o <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
indica si se va a registrar o no la pérdida de validación.
Azure SDK for Python
Comentarios
https://aka.ms/ContentUserFeedback.
Próximamente: A lo largo de 2024 iremos eliminando gradualmente GitHub Issues como mecanismo de comentarios sobre el contenido y lo sustituiremos por un nuevo sistema de comentarios. Para más información, vea:Enviar y ver comentarios de