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. noneLehet , cocovagy voccoco_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. smallLehet , mediumvagy largexlarge. 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: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) Többcímke: 0,035 (a vit-variánsok kivételével: vits16r224: 0.025 vitb16r224: 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 sgdannak 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, adamvagy 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 adamwa 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	Az érvényesítési adatkészlet körülvágása előtt átméretezendő képméret. Pozitív egész számnak kell lennie. Notes: seresnext nem vesz fel tetszőleges méretet. A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	256
valid_crop_size	Kép körülvágási mérete, amely a neurális hálózatba ad be érvényesítési adatkészletet. Pozitív egész számnak kell lennie. Notes: seresnext nem vesz fel tetszőleges méretet. A ViT-variánsoknak azonosnak train_crop_sizevalid_crop_size és . A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	224
train_crop_size	Az adathalmaz betanításához a neurális hálózatba bevitt kép körülvágási mérete. Pozitív egész számnak kell lennie. Notes: seresnext nem vesz fel tetszőleges méretet. A ViT-variánsoknak azonosnak train_crop_sizevalid_crop_size és . A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	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. noneLehet , cocovagy voccoco_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.