これらの例は、AI Runtime 上でコンピュータ ビジョンモデルを学習させるものです。 画像分類、レイチューンによるハイパーパラメータチューニング、物体検出などをカバーしています。
| Example | Interface | 説明 |
|---|---|---|
| 畳み込みニューラル ネットワークを使用した画像分類 | Notebook | このノートブックは、画像分類のためにAI Runtime上で2次元畳み込みニューラルネットワークを訓練する方法の簡単な例を示しています。 |
| CIFAR-10 ハイパーパラメータチューニングとレイチューン | Notebook | このノートブックはPyTorch画像分類器の同時分割GPU試験を実行し、非同期連続半分アルゴリズム(ASHA)を使って性能不振な構成を早期に停止します。 |
| RetinaNet を使用した物体検出 | Notebook | このノートブックは、RetinaNetを用いてAIランタイム上でオブジェクト検出モデルを訓練する方法を示しています。 |
| YOLO11n を使用した物体検出 | Notebook | このノートブックは、AI Runtimeを用いてCOCO128データセット上でYOLO11nオブジェクト検出モデルを訓練する方法を示し、MLflowトラッキングとモデルサービングのデプロイを含めています。 |
| Imagenette での ResNet-50 ファインチューニング | CLI | Ray Trainを使って、2つのノードにまたがって各A10 GPUに1つの分散データ並列ワーカーを割り当て、メトリクスをMLflowにログを記録し、ResNet-50を微調整します。 |
| DINOv3による画像分類のファインチューニング | CLI | 1 台の A10 GPU で、Oxford Flowers-102 を使用して DINOv3 のビジョン トランスフォーマーを微調整し、選択したモデルを推論用にパッケージ化します。 |
| ビデオアクションの分類 | CLI | 1台のA10 GPU上で、ResNet-18で生成されたビデオフレーム特徴からアクションを認識するリカレンシー分類器を訓練します。 |
| Qwen3-VL-8BおよびvLLMによるバッチ画像理解 | CLI | Ray DataとvLLMを使って、8基のH100を搭載した1ノードで構造化出力を用いて画像にキャプションを付け、分類します。 |