ImageModelSettingsObjectDetection interface

Paket:

@azure/arm-machinelearning

Pengaturan yang digunakan untuk melatih model. Untuk informasi lebih lanjut tentang pengaturan yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Memperluas

ImageModelSettings

Properti

boxDetectionsPerImage	Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
boxScoreThreshold	Selama inferensi, hanya mengembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam kisaran[0, 1].
imageSize	Ukuran gambar untuk pelatihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
maxSize	Ukuran maksimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
minSize	Ukuran minimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
modelSize	Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukuran model terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
multiScale	Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang memadai. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.
nmsIouThreshold	Ambang batas IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].
tileGridSize	Ukuran kisi yang digunakan untuk memilah setiap gambar. Catatan: TileGridSize tidak boleh Tidak Ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tileOverlapRatio	Rasio tumpang tindih antara petak peta yang berdekatan di setiap dimensi. Harus mengapung dalam kisaran [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
tilePredictionsNmsThreshold	Ambang batas IOU yang digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/inferensi. Harus mengapung dalam kisaran [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.
validationIouThreshold	Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam kisaran [0, 1].
validationMetricType	Metode komputasi metrik yang digunakan untuk metrik validasi.

Properti yang Diwariskan

advancedSettings	Pengaturan untuk skenario tingkat lanjut.
amsGradient	Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.
augmentations	Pengaturan untuk menggunakan Augmentasi.
beta1	Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
beta2	Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].
checkpointFrequency	Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.
checkpointModel	Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.
checkpointRunId	Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.
distributed	Apakah akan menggunakan pelatihan terdistribusi.
earlyStopping	Aktifkan logika penghentian awal selama pelatihan.
earlyStoppingDelay	Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.
earlyStoppingPatience	Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.
enableOnnxNormalization	Aktifkan normalisasi saat mengekspor model ONNX.
evaluationFrequency	Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.
gradientAccumulationStep	Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengumpulkan gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.
layersToFreeze	Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
learningRate	Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].
learningRateScheduler	Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.
modelName	Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
momentum	Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].
nesterov	Aktifkan nesterov saat pengoptimal adalah 'sgd'.
numberOfEpochs	Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.
numberOfWorkers	Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.
optimizer	Jenis pengoptimal.
randomSeed	Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.
stepLRGamma	Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].
stepLRStepSize	Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.
trainingBatchSize	Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.
validationBatchSize	Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.
warmupCosineLRCycles	Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].
warmupCosineLRWarmupEpochs	Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.
weightDecay	Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

Detail Properti

boxDetectionsPerImage

Jumlah maksimum deteksi per gambar, untuk semua kelas. Harus berupa nilai bilangan bulat positif. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

boxDetectionsPerImage?: number

Nilai Properti

number

boxScoreThreshold

Selama inferensi, hanya mengembalikan proposal dengan skor klasifikasi yang lebih besar dari BoxScoreThreshold. Harus berupa float dalam kisaran[0, 1].

boxScoreThreshold?: number

Nilai Properti

number

imageSize

Ukuran gambar untuk pelatihan dan validasi. Harus berupa nilai bilangan bulat positif. Catatan: Pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.

imageSize?: number

Nilai Properti

number

maxSize

Ukuran maksimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

maxSize?: number

Nilai Properti

number

minSize

Ukuran minimum gambar yang akan diskalakan ulang sebelum mengumpankannya ke tulang punggung. Harus berupa nilai bilangan bulat positif. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukurannya terlalu besar. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

minSize?: number

Nilai Properti

number

modelSize

Ukuran model. Harus 'kecil', 'sedang', 'besar', atau 'xlarge'. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika ukuran model terlalu besar. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.

modelSize?: string

Nilai Properti

string

multiScale

Aktifkan gambar multi-skala dengan memvariasikan ukuran gambar sebesar +/- 50%. Catatan: pelatihan yang dijalankan mungkin masuk ke CUDA OOM jika tidak ada memori GPU yang memadai. Catatan: Pengaturan ini hanya didukung untuk algoritma 'yolov5'.

multiScale?: boolean

Nilai Properti

boolean

nmsIouThreshold

Ambang batas IOU yang digunakan selama inferensi dalam pemrosesan pos NMS. Harus berupa float dalam rentang [0, 1].

nmsIouThreshold?: number

Nilai Properti

number

tileGridSize

Ukuran kisi yang digunakan untuk memilah setiap gambar. Catatan: TileGridSize tidak boleh Tidak Ada untuk mengaktifkan logika deteksi objek kecil. String yang berisi dua bilangan bulat dalam format mxn. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

tileGridSize?: string

Nilai Properti

string

tileOverlapRatio

Rasio tumpang tindih antara petak peta yang berdekatan di setiap dimensi. Harus mengapung dalam kisaran [0, 1). Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

tileOverlapRatio?: number

Nilai Properti

number

tilePredictionsNmsThreshold

Ambang batas IOU yang digunakan untuk melakukan NMS sambil menggabungkan prediksi dari petak peta dan gambar. Digunakan dalam validasi/inferensi. Harus mengapung dalam kisaran [0, 1]. Catatan: Pengaturan ini tidak didukung untuk algoritma 'yolov5'.

tilePredictionsNmsThreshold?: number

Nilai Properti

number

validationIouThreshold

Ambang batas IOU untuk digunakan saat menghitung metrik validasi. Harus mengapung dalam kisaran [0, 1].

validationIouThreshold?: number

Nilai Properti

number

validationMetricType

Metode komputasi metrik yang digunakan untuk metrik validasi.

validationMetricType?: string

Nilai Properti

string

Detail Properti yang Diwariskan

advancedSettings

Pengaturan untuk skenario tingkat lanjut.

advancedSettings?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.advancedSettings

amsGradient

Aktifkan AMSGrad saat pengoptimal adalah 'adam' atau 'adamw'.

amsGradient?: boolean

Nilai Properti

boolean

Diwarisi dariImageModelSettings.amsGradient

augmentations

Pengaturan untuk menggunakan Augmentasi.

augmentations?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.augmentations

beta1

Nilai 'beta1' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].

beta1?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.beta1

beta2

Nilai 'beta2' ketika pengoptimal adalah 'adam' atau 'adamw'. Harus berupa float dalam rentang [0, 1].

beta2?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.beta2

checkpointFrequency

Frekuensi untuk menyimpan titik pemeriksaan model. Harus berupa nilai bilangan bulat positif.

checkpointFrequency?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.checkpointFrequency

checkpointModel

Model titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan bertahap.

checkpointModel?: MLFlowModelJobInput

Nilai Properti

MLFlowModelJobInput

Diwarisi dariImageModelSettings.checkpointModel

checkpointRunId

Id eksekusi sebelumnya yang memiliki titik pemeriksaan yang telah dilatih sebelumnya untuk pelatihan inkremental.

checkpointRunId?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.checkpointRunId

distributed

Apakah akan menggunakan pelatihan terdistribusi.

distributed?: boolean

Nilai Properti

boolean

Diwarisi dariImageModelSettings.distributed

earlyStopping

Aktifkan logika penghentian awal selama pelatihan.

earlyStopping?: boolean

Nilai Properti

boolean

Diwarisi dariImageModelSettings.earlyStopping

earlyStoppingDelay

Jumlah minimum epoch atau evaluasi validasi untuk menunggu sebelum peningkatan metrik utama dilacak untuk penghentian awal. Harus berupa nilai bilangan bulat positif.

earlyStoppingDelay?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.earlyStoppingDelay

earlyStoppingPatience

Jumlah minimum epoch atau evaluasi validasi tanpa peningkatan metrik utama sebelum eksekusi dihentikan. Harus berupa nilai bilangan bulat positif.

earlyStoppingPatience?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.earlyStoppingPatience

enableOnnxNormalization

Aktifkan normalisasi saat mengekspor model ONNX.

enableOnnxNormalization?: boolean

Nilai Properti

boolean

Diwarisi dariImageModelSettings.enableOnnxNormalization

evaluationFrequency

Frekuensi untuk mengevaluasi himpunan data validasi untuk mendapatkan skor metrik. Harus berupa nilai bilangan bulat positif.

evaluationFrequency?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.evaluationFrequency

gradientAccumulationStep

Akumulasi gradien berarti menjalankan sejumlah langkah "GradAccumulationStep" yang dikonfigurasi tanpa memperbarui bobot model sambil mengumpulkan gradien langkah-langkah tersebut, lalu menggunakan gradien akumulasi untuk menghitung pembaruan bobot. Harus berupa nilai bilangan bulat positif.

gradientAccumulationStep?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.gradientAccumulationStep

layersToFreeze

Jumlah lapisan yang akan dibekukan untuk model. Harus berupa nilai bilangan bulat positif. Misalnya, meneruskan 2 sebagai nilai untuk 'seresnext' berarti membekukan layer0 dan layer1. Untuk daftar lengkap model yang didukung dan detail tentang pembekuan lapisan, silakan lihat: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

layersToFreeze?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.layersToFreeze

learningRate

Tingkat pembelajaran awal. Harus berupa float dalam rentang [0, 1].

learningRate?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.learningRate

learningRateScheduler

Jenis penjadwal tingkat pembelajaran. Harus 'warmup_cosine' atau 'langkah'.

learningRateScheduler?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.learningRateScheduler

modelName

Nama model yang akan digunakan untuk pelatihan. Untuk informasi lebih lanjut tentang model yang tersedia, silakan kunjungi dokumentasi resmi: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

modelName?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.modelName

momentum

Nilai momentum saat pengoptimal adalah 'sgd'. Harus berupa float dalam rentang [0, 1].

momentum?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.momentum

nesterov

Aktifkan nesterov saat pengoptimal adalah 'sgd'.

nesterov?: boolean

Nilai Properti

boolean

Diwarisi dariImageModelSettings.nesterov

numberOfEpochs

Jumlah epoch pelatihan. Harus berupa nilai bilangan bulat positif.

numberOfEpochs?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.numberOfEpochs

numberOfWorkers

Jumlah pekerja pemuat data. Harus bilangan bulat non-negatif.

numberOfWorkers?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.numberOfWorkers

optimizer

Jenis pengoptimal.

optimizer?: string

Nilai Properti

string

Diwarisi dariImageModelSettings.optimizer

randomSeed

Benih acak yang akan digunakan saat menggunakan pelatihan deterministik.

randomSeed?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.randomSeed

stepLRGamma

Nilai gamma ketika penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa float dalam rentang [0, 1].

stepLRGamma?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.stepLRGamma

stepLRStepSize

Nilai ukuran langkah saat penjadwal tingkat pembelajaran adalah 'langkah'. Harus berupa nilai bilangan bulat positif.

stepLRStepSize?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.stepLRStepSize

trainingBatchSize

Ukuran batch pelatihan. Harus berupa nilai bilangan bulat positif.

trainingBatchSize?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.trainingBatchSize

validationBatchSize

Ukuran batch validasi. Harus berupa nilai bilangan bulat positif.

validationBatchSize?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.validationBatchSize

warmupCosineLRCycles

Nilai siklus kosinus saat penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa float dalam rentang [0, 1].

warmupCosineLRCycles?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.warmupCosineLRCycles

warmupCosineLRWarmupEpochs

Nilai epoch pemanasan ketika penjadwal tingkat pembelajaran adalah 'warmup_cosine'. Harus berupa nilai bilangan bulat positif.

warmupCosineLRWarmupEpochs?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.warmupCosineLRWarmupEpochs

weightDecay

Nilai pembbusukan berat saat pengoptimal adalah 'sgd', 'adam', atau 'adamw'. Harus berupa float dalam kisaran[0, 1].

weightDecay?: number

Nilai Properti

number

Diwarisi dariImageModelSettings.weightDecay