ImageModelSettingsObjectDetection interface

Paquet:

@azure/arm-machinelearning

Paramètres utilisés pour l’apprentissage du modèle. Pour plus d’informations sur les paramètres disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Extends

ImageModelSettings

Propriétés

boxDetectionsPerImage	Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
boxScoreThreshold	Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].
imageSize	Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
maxSize	Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
minSize	Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
modelSize	Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
multiScale	Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».
nmsIouThreshold	Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1].
tileGridSize	Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être None pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tileOverlapRatio	Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
tilePredictionsNmsThreshold	Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».
validationIouThreshold	Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1].
validationMetricType	Méthode de calcul de métrique à utiliser pour les métriques de validation.

Propriétés héritées

advancedSettings	Paramètres des scénarios avancés.
amsGradient	Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».
augmentations	Paramètres d’utilisation des augmentations.
beta1	Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
beta2	Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].
checkpointFrequency	Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif.
checkpointModel	Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.
checkpointRunId	ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.
distributed	Indique s’il faut utiliser l’entraînement distribué.
earlyStopping	Activez la logique d’arrêt précoce pendant l’entraînement.
earlyStoppingDelay	Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale soit suivie pour l’arrêt anticipé. Doit être un entier positif.
earlyStoppingPatience	Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Doit être un entier positif.
enableOnnxNormalization	Activez la normalisation lors de l’exportation du modèle ONNX.
evaluationFrequency	Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.
gradientAccumulationStep	L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant les dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.
layersToFreeze	Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler la couche0 et la couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].
learningRateScheduler	Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».
modelName	Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].
nesterov	Activez nesterov lorsque l’optimiseur est « sgd ».
numberOfEpochs	Nombre d’époques d’entraînement. Doit être un entier positif.
numberOfWorkers	Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.
optimizer	Type d’optimiseur.
randomSeed	Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.
stepLRGamma	Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].
stepLRStepSize	Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.
trainingBatchSize	Taille du lot d’entraînement. Doit être un entier positif.
validationBatchSize	Taille du lot de validation. Doit être un entier positif.
warmupCosineLRCycles	Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].
warmupCosineLRWarmupEpochs	Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.
weightDecay	Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

Détails de la propriété

boxDetectionsPerImage

Nombre maximal de détections par image, pour toutes les classes. Doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

boxDetectionsPerImage?: number

Valeur de propriété

number

boxScoreThreshold

Pendant l’inférence, seules les propositions renvoient un score de classification supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].

boxScoreThreshold?: number

Valeur de propriété

number

imageSize

Taille de l’image pour l’apprentissage et la validation. Doit être un entier positif. Remarque : L’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».

imageSize?: number

Valeur de propriété

number

maxSize

Taille maximale de l’image à rescaler avant de l’alimenter dans la colonne vertébrale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

maxSize?: number

Valeur de propriété

number

minSize

Taille minimale de l’image à rescaler avant de l’alimenter dans la colonne principale. Doit être un entier positif. Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

minSize?: number

Valeur de propriété

number

modelSize

Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». Remarque : l’exécution d’entraînement peut entrer dans CUDA OOM si la taille du modèle est trop grande. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».

modelSize?: string

Valeur de propriété

string

multiScale

Activez l’image à plusieurs échelles en variant la taille de l’image de +/- 50%. Remarque : l’exécution d’entraînement peut accéder à CUDA OOM si aucune mémoire GPU suffisante. Remarque : ces paramètres sont pris en charge uniquement pour l’algorithme « yolov5 ».

multiScale?: boolean

Valeur de propriété

boolean

nmsIouThreshold

Seuil IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un float dans la plage [0, 1].

nmsIouThreshold?: number

Valeur de propriété

number

tileGridSize

Taille de grille à utiliser pour la mosaïne de chaque image. Remarque : TileGridSize ne doit pas être None pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

tileGridSize?: string

Valeur de propriété

string

tileOverlapRatio

Rapport de chevauchement entre les vignettes adjacentes dans chaque dimension. Doit être flottant dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

tileOverlapRatio?: number

Valeur de propriété

number

tilePredictionsNmsThreshold

Seuil IOU à utiliser pour effectuer nmS lors de la fusion des prédictions à partir de vignettes et d’images. Utilisé dans la validation/inférence. Doit être flottant dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

tilePredictionsNmsThreshold?: number

Valeur de propriété

number

validationIouThreshold

Seuil IOU à utiliser lors de l’informatique de la métrique de validation. Doit être flottant dans la plage [0, 1].

validationIouThreshold?: number

Valeur de propriété

number

validationMetricType

Méthode de calcul de métrique à utiliser pour les métriques de validation.

validationMetricType?: string

Valeur de propriété

string

Détails de la propriété héritée

advancedSettings

Paramètres des scénarios avancés.

advancedSettings?: string

Valeur de propriété

string

héritée deImageModelSettings.advancedSettings

amsGradient

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

amsGradient?: boolean

Valeur de propriété

boolean

héritée deImageModelSettings.amsGradient

augmentations

Paramètres d’utilisation des augmentations.

augmentations?: string

Valeur de propriété

string

héritée deImageModelSettings.augmentations

beta1

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].

beta1?: number

Valeur de propriété

number

héritée deImageModelSettings.beta1

beta2

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un float dans la plage [0, 1].

beta2?: number

Valeur de propriété

number

héritée deImageModelSettings.beta2

checkpointFrequency

Fréquence de stockage des points de contrôle de modèle. Doit être un entier positif.

checkpointFrequency?: number

Valeur de propriété

number

héritée deImageModelSettings.checkpointFrequency

checkpointModel

Modèle de point de contrôle préentraîné pour l’entraînement incrémentiel.

checkpointModel?: MLFlowModelJobInput

Valeur de propriété

MLFlowModelJobInput

héritée deImageModelSettings.checkpointModel

checkpointRunId

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

checkpointRunId?: string

Valeur de propriété

string

héritée deImageModelSettings.checkpointRunId

distributed

Indique s’il faut utiliser l’entraînement distribué.

distributed?: boolean

Valeur de propriété

boolean

héritée deImageModelSettings.distributed

earlyStopping

Activez la logique d’arrêt précoce pendant l’entraînement.

earlyStopping?: boolean

Valeur de propriété

boolean

héritée deImageModelSettings.earlyStopping

earlyStoppingDelay

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration de la métrique principale soit suivie pour l’arrêt anticipé. Doit être un entier positif.

earlyStoppingDelay?: number

Valeur de propriété

number

héritée deImageModelSettings.earlyStoppingDelay

earlyStoppingPatience

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Doit être un entier positif.

earlyStoppingPatience?: number

Valeur de propriété

number

héritée deImageModelSettings.earlyStoppingPatience

enableOnnxNormalization

Activez la normalisation lors de l’exportation du modèle ONNX.

enableOnnxNormalization?: boolean

Valeur de propriété

boolean

héritée deImageModelSettings.enableOnnxNormalization

evaluationFrequency

Fréquence d’évaluation du jeu de données de validation pour obtenir des scores de métriques. Doit être un entier positif.

evaluationFrequency?: number

Valeur de propriété

number

héritée deImageModelSettings.evaluationFrequency

gradientAccumulationStep

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en cumulant les dégradés de ces étapes, puis en utilisant les dégradés cumulés pour calculer les mises à jour de poids. Doit être un entier positif.

gradientAccumulationStep?: number

Valeur de propriété

number

héritée deImageModelSettings.gradientAccumulationStep

layersToFreeze

Nombre de couches à figer pour le modèle. Doit être un entier positif. Par exemple, passer 2 comme valeur pour « seresnext » signifie geler la couche0 et la couche1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Valeur de propriété

number

héritée deImageModelSettings.layersToFreeze

learningRate

Taux d’apprentissage initial. Doit être un float dans la plage [0, 1].

learningRate?: number

Valeur de propriété

number

héritée deImageModelSettings.learningRate

learningRateScheduler

Type de planificateur de taux d’apprentissage. Doit être « warmup_cosine » ou « étape ».

learningRateScheduler?: string

Valeur de propriété

string

héritée deImageModelSettings.learningRateScheduler

modelName

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Valeur de propriété

string

héritée deImageModelSettings.modelName

momentum

Valeur de l’élan lorsque l’optimiseur est « sgd ». Doit être un float dans la plage [0, 1].

momentum?: number

Valeur de propriété

number

héritée deImageModelSettings.momentum

nesterov

Activez nesterov lorsque l’optimiseur est « sgd ».

nesterov?: boolean

Valeur de propriété

boolean

héritée deImageModelSettings.nesterov

numberOfEpochs

Nombre d’époques d’entraînement. Doit être un entier positif.

numberOfEpochs?: number

Valeur de propriété

number

héritée deImageModelSettings.numberOfEpochs

numberOfWorkers

Nombre de travailleurs du chargeur de données. Doit être un entier non négatif.

numberOfWorkers?: number

Valeur de propriété

number

héritée deImageModelSettings.numberOfWorkers

optimizer

Type d’optimiseur.

optimizer?: string

Valeur de propriété

string

héritée deImageModelSettings.optimizer

randomSeed

Valeur initiale aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

randomSeed?: number

Valeur de propriété

number

héritée deImageModelSettings.randomSeed

stepLRGamma

Valeur gamma lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un float dans la plage [0, 1].

stepLRGamma?: number

Valeur de propriété

number

héritée deImageModelSettings.stepLRGamma

stepLRStepSize

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Doit être un entier positif.

stepLRStepSize?: number

Valeur de propriété

number

héritée deImageModelSettings.stepLRStepSize

trainingBatchSize

Taille du lot d’entraînement. Doit être un entier positif.

trainingBatchSize?: number

Valeur de propriété

number

héritée deImageModelSettings.trainingBatchSize

validationBatchSize

Taille du lot de validation. Doit être un entier positif.

validationBatchSize?: number

Valeur de propriété

number

héritée deImageModelSettings.validationBatchSize

warmupCosineLRCycles

Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un float dans la plage [0, 1].

warmupCosineLRCycles?: number

Valeur de propriété

number

héritée deImageModelSettings.warmupCosineLRCycles

warmupCosineLRWarmupEpochs

Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un entier positif.

warmupCosineLRWarmupEpochs?: number

Valeur de propriété

number

héritée deImageModelSettings.warmupCosineLRWarmupEpochs

weightDecay

Valeur de la dégradation du poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

weightDecay?: number

Valeur de propriété

number

héritée deImageModelSettings.weightDecay