Hiperparaméterek számítógépes látási feladatokhoz az automatizált gépi tanulásban (v1)
A KÖVETKEZŐKRE VONATKOZIK: Python SDK azureml v1
Megtudhatja, hogy mely hiperparaméterek érhetők el kifejezetten számítógépes látási feladatokhoz automatizált gépi tanulási kísérletekben.
A számítógépes látási feladatok támogatásával szabályozhatja a modellalgoritmust és a hiperparamétereket. Ezek a modell-algoritmusok és hiperparaméterek a takarítás paraméterterületeként kerülnek átadásra. Bár a közzétett hiperparaméterek többsége modellfüggő, vannak olyan példányok, ahol a hiperparaméterek modellspecifikusak vagy feladatspecifikusak.
Modellspecifikus hiperparaméterek
Ez a táblázat az algoritmusra yolov5
jellemző hiperparamétereket foglalja össze.
Paraméter neve | Leírás | Alapértelmezett |
---|---|---|
validation_metric_type |
Metrikaszámítási módszer az érvényesítési metrikákhoz. none Lehet , coco vagy voc coco_voc . |
voc |
validation_iou_threshold |
IOU-küszöbérték a dobozegyezéshez az érvényesítési metrikák kiszámításakor. Úszónak kell lennie a tartományban [0.1, 1]. |
0,5 |
img_size |
Képméret betanítása és ellenőrzése. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. |
640 |
model_size |
Modell mérete. small Lehet , medium vagy large xlarge . Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. |
medium |
multi_scale |
Több léptékű rendszerkép engedélyezése a képek méretének +/- 50%-kal történő variálásával 0 vagy 1 lehet. Megjegyzés: A betanítási futtatás akkor kerülhet a CUDA OOM-ba, ha nincs elegendő GPU-memória. |
0 |
box_score_thresh |
A következtetés során csak olyan javaslatokat ad vissza, amelyek pontszáma nagyobb, mint box_score_thresh . A pontszám az objektumérték és a besorolási valószínűség szorzása. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,1 |
nms_iou_thresh |
A következtetés során használt IOU-küszöbérték a nem maximális letiltás utáni feldolgozás során. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,5 |
tile_grid_size |
Az egyes képek burkolásához használandó rácsméret. Megjegyzés: a kis objektumészlelési logika engedélyezéséhez tile_grid_size nem lehet Nincs Két egész számból álló rekord, amely sztringként lett átadva. Példa: --tile_grid_size "(3, 2)" |
Nincs alapértelmezett |
tile_overlap_ratio |
Átfedés aránya a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1) tartományban kell lebegnie |
0,25 |
tile_predictions_nms_thresh |
Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie |
0,25 |
Ez a táblázat a következtetés során a maskrcnn_*
példány szegmentálására jellemző hiperparamétereket foglalja össze.
Paraméter neve | Leírás | Alapértelmezett |
---|---|---|
mask_pixel_score_threshold |
Pontkivágás egy képpontnak az objektum maszkjának részeként való figyelembe vételéhez. | 0,5 |
max_number_of_polygon_points |
A (x, y) koordinátapárok maximális száma sokszögben a maszkból való átalakítás után. | 100 |
export_as_image |
Maszkok exportálása képként. | Hamis |
image_type |
A maszk exportálásához használt kép típusa (a beállítások jpg, png, bmp). | JPG |
Modell agnosztikus hiperparaméterek
Az alábbi táblázat a modell agnosztikus hiperparamétereit ismerteti.
Paraméter neve | Leírás | Alapértelmezett |
---|---|---|
number_of_epochs |
A betanítási korszakok száma. Pozitív egész számnak kell lennie. |
15 (kivéve yolov5 : 30) |
training_batch_size |
Betanítási köteg mérete. Pozitív egész számnak kell lennie. |
Többosztályos/többcímke: 78 (a vit-variánsok kivételével: vits16r224 : 128 vitb16r224 : 48 vitl16r224 :10)Objektumészlelés: 2 (kivéve yolov5 : 16) Példány szegmentációja: 2 Megjegyzés: Az alapértelmezett érték a legnagyobb kötegméret, amely 12 GiB GPU-memórián használható. |
validation_batch_size |
Érvényesítési köteg mérete. Pozitív egész számnak kell lennie. |
Többosztályos/többcímke: 78 (a vit-variánsok kivételével: vits16r224 : 128 vitb16r224 : 48 vitl16r224 :10)Objektumészlelés: 1 (kivéve yolov5 : 16) Példány szegmentációja: 1 Megjegyzés: Az alapértelmezett érték a legnagyobb kötegméret, amely 12 GiB GPU-memórián használható. |
grad_accumulation_step |
A színátmenet-felhalmozás azt jelenti, hogy konfigurált számú futtatás a modell súlyainak grad_accumulation_step frissítése nélkül, a lépések színátmeneteinek halmozása közben, majd a halmozott színátmenetek használatával kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie. |
0 |
early_stopping |
A korai leállítási logika engedélyezése a betanítás során. 0 vagy 1 lehet. |
0 |
early_stopping_patience |
Az érvényességi vagy érvényesítési értékelések minimális száma a következővel: nincs elsődleges metrikafejlesztés a futtatás leállítása előtt. Pozitív egész számnak kell lennie. |
5 |
early_stopping_delay |
Várakozási idő vagy érvényesítési értékelések minimális száma az elsődleges metrikafejlesztés nyomon követése a korai leállítás érdekében. Pozitív egész számnak kell lennie. |
5 |
learning_rate |
Kezdeti tanulási arány. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
Többosztályos: 0.01 (a vit-variánsok kivételével: vits16r224 : 0.0125vitb16r224 : 0.0125vitl16r224 : 0.001) Többcímke: 0,035 (a vit-variánsok kivételével: vits16r224 : 0.025vitb16r224 : 0.025 vitl16r224 : 0.002) Objektumészlelés: 0.005 (kivéve yolov5 : 0,01) Példány szegmentálása: 0.005 |
lr_scheduler |
A tanulási sebességütemező típusa. Kell lennie vagy warmup_cosine step . |
warmup_cosine |
step_lr_gamma |
A gamma értéke, ha a tanulási sebességütemező a step .Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,5 |
step_lr_step_size |
A lépésméret értéke, ha a tanulási sebességütemező a step .Pozitív egész számnak kell lennie. |
5 |
warmup_cosine_lr_cycles |
A koszinuszciklus értéke, ha a tanulási sebességütemező a warmup_cosine . Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,45 |
warmup_cosine_lr_warmup_epochs |
A bemelegítési időszak értéke, ha a tanulási sebességütemező a warmup_cosine . Pozitív egész számnak kell lennie. |
2 |
optimizer |
Az optimalizáló típusa. Vagy sgd annak kell lennie , adam . adamw |
sgd |
momentum |
A lendület értéke, ha az optimalizáló .sgd Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,9 |
weight_decay |
A súlycsökkenés értéke, ha az optimalizáló az sgd , adam vagy adamw . Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
1e-4 |
nesterov |
Engedélyezze nesterov , ha az optimalizáló a sgd . 0 vagy 1 lehet. |
0 |
beta1 |
beta1 Annak az értéke, hogy az optimalizáló vagy a adam adamw . Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,9 |
beta2 |
beta2 Annak az értéke, hogy az optimalizáló vagy a adam adamw .Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,999 |
amsgrad |
Engedélyezve amsgrad van, ha az optimalizáló vagy adamw a adam .0 vagy 1 lehet. |
0 |
evaluation_frequency |
Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrika pontszámainak lekéréséhez. Pozitív egész számnak kell lennie. |
0 |
checkpoint_frequency |
A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie. |
Ellenőrzőpont a korszakban a legjobb elsődleges metrikával az ellenőrzés során. |
checkpoint_run_id |
Annak a kísérletnek a futtatási azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz. | nincs alapértelmezett |
checkpoint_dataset_id |
A növekményes betanításhoz előre betanított ellenőrzőpontokat tartalmazó FileDataset-azonosító. Győződjön meg arról, hogy a .checkpoint_filename checkpoint_dataset_id |
nincs alapértelmezett |
checkpoint_filename |
A FileDataset előre betanított ellenőrzőpont-fájlneve növekményes betanításhoz. Győződjön meg arról, hogy a .checkpoint_dataset_id checkpoint_filename |
nincs alapértelmezett |
layers_to_freeze |
Hány réteget kell rögzíteni a modellhez. Például a 2 seresnext érték átadása a 0. réteg és az 1. réteg befagyasztását jelenti, amely az alábbi támogatott modellréteg-információkra hivatkozik. Pozitív egész számnak kell lennie. 'resnet': [('conv1.', 'bn1.'), 'layer1.', 'layer2.', 'layer3.', 'layer4.'], 'mobilenetv2': ['features.0.', 'features.1.', 'features.2.', 'features.3.', 'features.4.', 'features.5.', 'features.6.', 'features.7.', 'features.8.', 'features.9.', 'features.10.', 'features.11.', 'features.12.', 'features.13.', 'features.14.', 'features.15.', 'features.16.', 'features.17.', 'features.18.'], 'seresnext': ['layer0.', 'layer1.', 'layer2.', 'layer3.', 'layer4.'], 'vit': ['patch_embed', 'blocks.0.', 'blocks.1.', 'blocks.2.', 'blocks.3.', 'blocks.4.', 'blocks.5.', 'blocks.6.','blocks.7.', 'blocks.8.', 'blocks.9.', 'blocks.10.', 'blocks.11.'], 'yolov5_backbone': ['model.0.', 'model.1.', 'model.2.', 'model.3.', 'model.4.','model.5.', 'model.6.', 'model.7.', 'model.8.', 'model.9.'], 'resnet_backbone': ['backbone.body.conv1.', 'backbone.body.layer1.', 'backbone.body.layer2.','backbone.body.layer3.', 'backbone.body.layer4.'] |
nincs alapértelmezett |
Képosztályozás (többosztályos és többcímkés) specifikus hiperparaméterek
Az alábbi táblázat a képosztályozási (többosztályos és többcímkés) feladatok hiperparmétereit foglalja össze.
Paraméter neve | Leírás | Alapértelmezett |
---|---|---|
weighted_loss |
0 súlyozás nélkül. 1 a súlyozott veszteség sqrt. (class_weights) 2 a súlyozott veszteség class_weights. 0 vagy 1 vagy 2 lehet. |
0 |
valid_resize_size |
Notes: seresnext nem vesz fel tetszőleges méretet. |
256 |
valid_crop_size |
Notes: seresnext nem vesz fel tetszőleges méretet. train_crop_size valid_crop_size és . |
224 |
train_crop_size |
Notes: seresnext nem vesz fel tetszőleges méretet. train_crop_size valid_crop_size és . |
224 |
Objektumészlelés és példányszegmentálási feladatspecifikus hiperparaméterek
Az alábbi hiperparaméterek objektumészlelési és példányszegmentálási feladatokhoz használhatók.
Figyelmeztetés
Ezeket a paramétereket az yolov5
algoritmus nem támogatja. A támogatott hiperparmétereket a modellspecifikus hiperparaméterek szakaszában yolov5
találja.
Paraméter neve | Leírás | Alapértelmezett |
---|---|---|
validation_metric_type |
Metrikaszámítási módszer az érvényesítési metrikákhoz. none Lehet , coco vagy voc coco_voc . |
voc |
validation_iou_threshold |
IOU-küszöbérték a dobozegyezéshez az érvényesítési metrikák kiszámításakor. Úszónak kell lennie a tartományban [0.1, 1]. |
0,5 |
min_size |
Az újraskálázandó kép minimális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. |
600 |
max_size |
Az újraskálázandó kép maximális mérete, mielőtt a gerinchez táplálja. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. |
1333 |
box_score_thresh |
A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint box_score_thresh . Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0.3 |
nms_iou_thresh |
Az előrejelzési vezető számára a nem maximális elnyomásban (NMS) használt IOU (metszet az unióval szemben) küszöbérték. A következtetés során használatos. Az [0, 1] tartományban lévő lebegőpontosnak kell lennie. |
0,5 |
box_detections_per_img |
Az észlelések maximális száma képenként, minden osztály esetében. Pozitív egész számnak kell lennie. |
100 |
tile_grid_size |
Az egyes képek burkolásához használandó rácsméret. Megjegyzés: a kis objektumészlelési logika engedélyezéséhez tile_grid_size nem lehet Nincs Két egész számból álló rekord, amely sztringként lett átadva. Példa: --tile_grid_size "(3, 2)" |
Nincs alapértelmezett |
tile_overlap_ratio |
Átfedés aránya a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1) tartományban kell lebegnie |
0,25 |
tile_predictions_nms_thresh |
Az NMS végrehajtásához használandó IOU-küszöbérték a csempékből és a rendszerképből származó előrejelzések egyesítése során. Érvényesítéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie |
0,25 |
Következő lépések
Megtudhatja, hogyan állíthatja be az AutoML-t a számítógépes látásmodellek Pythonnal (előzetes verzió) való betanítása érdekében.
Oktatóanyag: Objektumészlelési modell (előzetes verzió) betanítása az AutoML és a Python használatával.
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: