Vision par ordinateur

Important

Cette fonctionnalité est disponible en préversion publique.

Ces exemples entraînent des modèles de vision par ordinateur sur AI Runtime. Ils couvrent la classification d’image, l’ajustement des hyperparamètres avec Ray Tune, et la détection d’objets.

Example	Interface	Description
Classification d’images à l’aide d’un réseau neuronal convolutionnel	Notebook	Ce notebook fournit un exemple simple d’apprentissage d’un réseau neuronal de convolution 2D sur des GPU serverless pour la classification d’images.
Réglage des hyperparamètres CIFAR-10 avec Ray Tune	Notebook	Ce notebook exécute des essais simultanés sur GPU fractionnaire pour un classificateur d’image PyTorch et utilise l’algorithme asynchrone de réduction successive de moitié (ASHA) pour stopper les configurations sous-performantes tôt.
Détection d’objets à l’aide de RetinaNet	Notebook	Ce notebook montre comment entraîner un modèle de détection d’objet à l’aide de RetinaNet sur gpu serverless.
Détection d’objets à l’aide de YOLO11n	Notebook	Ce notebook montre comment entraîner un modèle de détection d’objets YOLO11n sur le jeu de données COCO128 à l’aide d’un GPU sans serveur, avec le suivi via MLflow et le déploiement avec Model Serving.
Réglage fin du ResNet-50 sur Imagenette	CLI	Utilisez Ray Train pour affiner ResNet-50 avec un worker DDP par GPU A10 sur deux nœuds et pour enregistrer les métriques dans MLflow.