Condividi tramite


ImageModelSettingsObjectDetection Classe

Impostazioni del modello per l'attività Rilevamento oggetti immagine autoML.

Ereditarietà
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettings
ImageModelSettingsObjectDetection

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

advanced_settings
str
Necessario

Impostazioni per scenari avanzati.

ams_gradient
bool
Necessario

Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.

beta1
float
Necessario

Valore di 'beta1' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

beta2
float
Necessario

Valore di 'beta2' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

checkpoint_frequency
int
Necessario

Frequenza di archiviazione dei checkpoint del modello. Deve essere un intero positivo.

checkpoint_run_id
str
Necessario

ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.

distributed
bool
Necessario

Indica se usare il training distribuito.

early_stopping
bool
Necessario

Abilitare la logica di arresto anticipato durante il training.

early_stopping_delay
int
Necessario

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
Necessario

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
Necessario

Abilitare la normalizzazione durante l'esportazione del modello ONNX.

evaluation_frequency
int
Necessario

Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un intero positivo.

gradient_accumulation_step
int
Necessario

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
Necessario

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
Necessario

Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].

learning_rate_scheduler
str oppure LearningRateScheduler
Necessario

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
Necessario

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
Necessario

Valore di momentum quando Optimizer è "sgd". Deve essere un valore float nell'intervallo [0, 1].

nesterov
bool
Necessario

Abilitare nesterov quando optimizer è "sgd".

number_of_epochs
int
Necessario

Numero di periodi di training. Deve essere un intero positivo.

number_of_workers
int
Necessario

Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.

optimizer
str oppure StochasticOptimizer
Necessario

Tipo di ottimizzatore. I valori possibili includono: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Necessario

Valore di inizializzazione casuale da usare quando si usa il training deterministico.

step_lr_gamma
float
Necessario

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
Necessario

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
Necessario

Dimensioni del batch di training. Deve essere un intero positivo.

validation_batch_size
int
Necessario

Dimensioni del batch di convalida. Deve essere un intero positivo.

warmup_cosine_lr_cycles
float
Necessario

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
Necessario

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
Necessario

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
Necessario

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
Necessario

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
Necessario

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
Necessario

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
Necessario

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'.

model_size
str oppure ModelSize
Necessario

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
Necessario

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
Necessario

Soglia IOU usata durante l'inferenza nella post-elaborazione di NMS. Deve essere un valore float nell'intervallo [0, 1].

tile_grid_size
str
Necessario

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
Necessario

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
Necessario

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
Necessario

Soglia IOU da usare per il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].

validation_metric_type
str oppure ValidationMetricType
Necessario

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>
Necessario

indica se registrare o meno le metriche di training

log_validation_loss
str oppure <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Necessario

indica se registrare o meno la perdita di convalida