ImageModelSettingsObjectDetection Classe
Impostazioni del modello per l'attività Rilevamento oggetti immagine autoML.
- Ereditarietà
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
Costruttore
ImageModelSettingsObjectDetection(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, box_detections_per_image: int | None = None, box_score_threshold: float | None = None, image_size: int | None = None, max_size: int | None = None, min_size: int | None = None, model_size: ModelSize | None = None, multi_scale: bool | None = None, nms_iou_threshold: float | None = None, tile_grid_size: str | None = None, tile_overlap_ratio: float | None = None, tile_predictions_nms_threshold: float | None = None, validation_iou_threshold: float | None = None, validation_metric_type: ValidationMetricType | None = None, log_training_metrics: LogTrainingMetrics | None = None, log_validation_loss: LogValidationLoss | None = None, **kwargs)Parametri
- beta1
- float
Valore di 'beta1' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].
- beta2
- float
Valore di 'beta2' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].
- checkpoint_frequency
- int
Frequenza di archiviazione dei checkpoint del modello. Deve essere un intero positivo.
- checkpoint_run_id
- str
ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.
- early_stopping_delay
- int
Numero minimo di periodi o valutazioni di convalida da attendere prima che venga rilevato il miglioramento della metrica primaria per l'arresto anticipato. Deve essere un intero positivo.
- early_stopping_patience
- int
Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima dell'arresto dell'esecuzione. Deve essere un intero positivo.
- enable_onnx_normalization
- bool
Abilitare la normalizzazione durante l'esportazione del modello ONNX.
- evaluation_frequency
- int
Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un intero positivo.
- gradient_accumulation_step
- int
L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornare i pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi usare le sfumature accumulate per calcolare gli aggiornamenti del peso. Deve essere un intero positivo.
- layers_to_freeze
- int
Numero di livelli da bloccare per il modello. Deve essere un intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa congelamento layer0 e layer1. Per un elenco completo dei modelli supportati e dettagli sul blocco del livello, vedere: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].
- learning_rate_scheduler
- str oppure LearningRateScheduler
Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere 'warmup_cosine' o 'step'. I valori possibili includono: "None", "WarmupCosine", "Step".
- model_name
- str
Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valore di momentum quando Optimizer è "sgd". Deve essere un valore float nell'intervallo [0, 1].
- number_of_workers
- int
Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.
- optimizer
- str oppure StochasticOptimizer
Tipo di ottimizzatore. I valori possibili includono: "None", "Sgd", "Adam", "Adamw".
- random_seed
- int
Valore di inizializzazione casuale da usare quando si usa il training deterministico.
- step_lr_gamma
- float
Valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un valore float nell'intervallo [0, 1].
- step_lr_step_size
- int
Valore delle dimensioni dei passaggi quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un intero positivo.
- training_batch_size
- int
Dimensioni del batch di training. Deve essere un intero positivo.
- validation_batch_size
- int
Dimensioni del batch di convalida. Deve essere un intero positivo.
- warmup_cosine_lr_cycles
- float
Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un intero positivo.
- weight_decay
- float
Valore del decadimento del peso quando Optimizer è 'sgd', 'adam', o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].
- box_detections_per_image
- int
Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
- box_score_threshold
- float
Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].
- image_size
- int
Dimensioni dell'immagine per il training e la convalida. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'.
- max_size
- int
Dimensioni massime dell'immagine da ridimensionare prima di alimentarla alla spina dorsale. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
- min_size
- int
Dimensioni minime dell'immagine da ridimensionare prima di alimentarla alla spina dorsale. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
Dimensioni del modello. Deve essere "small", "medium", "large". Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni del modello sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'. I valori possibili includono: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine di +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'.
- nms_iou_threshold
- float
Soglia IOU usata durante l'inferenza nella post-elaborazione di NMS. Deve essere un valore float nell'intervallo [0, 1].
- tile_grid_size
- str
Dimensioni della griglia da usare per l'associazione di ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento di oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
- tile_overlap_ratio
- float
Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
- tile_predictions_nms_threshold
- float
Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.
- validation_iou_threshold
- float
Soglia IOU da usare per il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].
- validation_metric_type
- str oppure ValidationMetricType
Metodo di calcolo delle metriche da usare per le metriche di convalida. I valori possibili includono: "None", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str oppure <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
indica se registrare o meno le metriche di training
- log_validation_loss
- str oppure <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
indica se registrare o meno la perdita di convalida
Azure SDK for Python
Commenti e suggerimenti
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedere https://aka.ms/ContentUserFeedback.
Invia e visualizza il feedback per