Udostępnij za pośrednictwem

ImageModelSettingsObjectDetection Klasa

  • Odwołanie

Ustawienia modelu dla zadania wykrywania obiektów obrazów automl.

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

Konstruktor

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)

Parametry

advanced_settings
str
Wymagane

Ustawienia dla zaawansowanych scenariuszy.

ams_gradient
bool
Wymagane

Włącz narzędzie AMSGrad, gdy optymalizator ma wartość "adam" lub "adamw".

beta1
float
Wymagane

Wartość "beta1", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].

beta2
float
Wymagane

Wartość "beta2", gdy optymalizator to "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie [0, 1].

checkpoint_frequency
int
Wymagane

Częstotliwość przechowywania punktów kontrolnych modelu. Musi być dodatnią liczbą całkowitą.

checkpoint_run_id
str
Wymagane

Identyfikator poprzedniego przebiegu, który ma wstępnie wytrenowany punkt kontrolny na potrzeby trenowania przyrostowego.

distributed
bool
Wymagane

Czy używać trenowania rozproszonego.

early_stopping
bool
Wymagane

Włącz logikę wczesnego zatrzymywania podczas trenowania.

early_stopping_delay
int
Wymagane

Minimalna liczba epok lub ocen poprawności, które mają czekać, zanim zostanie śledzona poprawa podstawowej metryki w celu wczesnego zatrzymania. Musi być dodatnią liczbą całkowitą.

early_stopping_patience
int
Wymagane

Minimalna liczba epok lub ocen poprawności bez podstawowej poprawy metryki przed zatrzymaniem przebiegu. Musi być dodatnią liczbą całkowitą.

enable_onnx_normalization
bool
Wymagane

Włącz normalizację podczas eksportowania modelu ONNX.

evaluation_frequency
int
Wymagane

Częstotliwość oceny zestawu danych weryfikacji w celu uzyskania wyników metryk. Musi być dodatnią liczbą całkowitą.

gradient_accumulation_step
int
Wymagane

Akumulacja gradientu oznacza uruchomienie skonfigurowanej liczby kroków "GradAccumulationStep" bez aktualizowania wag modelu podczas zbierania gradientów tych kroków, a następnie używania skumulowanych gradientów do obliczenia aktualizacji wagi. Musi być dodatnią liczbą całkowitą.

layers_to_freeze
int
Wymagane

Liczba warstw do zablokowania modelu. Musi być dodatnią liczbą całkowitą. Na przykład przekazanie wartości 2 jako wartości "seresnext" oznacza zamrożenie warstwy0 i warstwy 1. Aby uzyskać pełną listę obsługiwanych modeli i szczegóły dotyczące blokowania warstw, zobacz: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate
float
Wymagane

Początkowa stawka nauki. Musi być zmiennoprzecinkowym w zakresie [0, 1].

learning_rate_scheduler
str lub LearningRateScheduler
Wymagane

Typ harmonogramu szybkości nauki. Musi być "warmup_cosine" lub "krok". Możliwe wartości to: "None", "WarmupCosine", "Step".

model_name
str
Wymagane

Nazwa modelu do użycia do trenowania. Aby uzyskać więcej informacji na temat dostępnych modeli, odwiedź oficjalną dokumentację: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float
Wymagane

Wartość tempa, gdy optymalizator ma wartość "sgd". Musi być zmiennoprzecinkowym w zakresie [0, 1].

nesterov
bool
Wymagane

Włącz zagnieżdżanie, gdy optymalizator ma wartość "sgd".

number_of_epochs
int
Wymagane

Liczba epok treningowych. Musi być dodatnią liczbą całkowitą.

number_of_workers
int
Wymagane

Liczba procesów roboczych modułu ładującego dane. Musi być liczbą całkowitą nie ujemną.

optimizer
str lub StochasticOptimizer
Wymagane

Typ optymalizatora. Możliwe wartości to: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Wymagane

Losowe nasion do użycia podczas trenowania deterministycznego.

step_lr_gamma
float
Wymagane

Wartość gamma, gdy harmonogram szybkości nauki to "krok". Musi być zmiennoprzecinkowym w zakresie [0, 1].

step_lr_step_size
int
Wymagane

Wartość rozmiaru kroku, gdy harmonogram szybkości nauki to "krok". Musi być dodatnią liczbą całkowitą.

training_batch_size
int
Wymagane

Rozmiar partii trenowania. Musi być dodatnią liczbą całkowitą.

validation_batch_size
int
Wymagane

Walidacja rozmiaru partii. Musi być dodatnią liczbą całkowitą.

warmup_cosine_lr_cycles
float
Wymagane

Wartość cyklu cosinusowego podczas planowania szybkości nauki to "warmup_cosine". Musi być zmiennoprzecinkowym w zakresie [0, 1].

warmup_cosine_lr_warmup_epochs
int
Wymagane

Wartość epok rozgrzewki, gdy harmonogram szybkości nauki to "warmup_cosine". Musi być dodatnią liczbą całkowitą.

weight_decay
float
Wymagane

Wartość rozpadu wagi, gdy optymalizator to "sgd", "adam" lub "adamw". Musi być zmiennoprzecinkowym w zakresie[0, 1].

box_detections_per_image
int
Wymagane

Maksymalna liczba wykryć na obrazie dla wszystkich klas. Musi być dodatnią liczbą całkowitą. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

box_score_threshold
float
Wymagane

Podczas wnioskowania zwracane są tylko propozycje z oceną klasyfikacji większą niż BoxScoreThreshold. Musi być zmiennoprzecinkowym w zakresie[0, 1].

image_size
int
Wymagane

Rozmiar obrazu do trenowania i walidacji. Musi być dodatnią liczbą całkowitą. Uwaga: Przebieg trenowania może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".

max_size
int
Wymagane

Maksymalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

min_size
int
Wymagane

Minimalny rozmiar obrazu do ponownego skalowania przed przesłaniem go do sieci szkieletowej. Musi być dodatnią liczbą całkowitą. Uwaga: uruchomienie treningowe może dostać się do CUDA OOM, jeśli rozmiar jest zbyt duży. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

model_size
str lub ModelSize
Wymagane

Rozmiar modelu. Musi być "mały", "średni", "duży". Uwaga: uruchomienie trenowania może dostać się do CUDA OOM, jeśli rozmiar modelu jest zbyt duży. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5". Możliwe wartości to: "None", "Small", "Medium", "Large", "ExtraLarge".

multi_scale
bool
Wymagane

Włącz obraz wieloskalowy, zmieniając rozmiar obrazu o +/- 50%. Uwaga: uruchomienie trenowania może dostać się do cudA OOM, jeśli nie ma wystarczającej pamięci procesora GPU. Uwaga: te ustawienia są obsługiwane tylko dla algorytmu "yolov5".

nms_iou_threshold
float
Wymagane

Próg operacji we/wy używany podczas wnioskowania w procesie przetwarzania końcowego NMS. Musi być zmiennoprzecinkowym w zakresie [0, 1].

tile_grid_size
str
Wymagane

Rozmiar siatki, który ma być używany do układania każdego obrazu. Uwaga: TileGridSize nie może być wartością None, aby włączyć logikę wykrywania małych obiektów. Ciąg zawierający dwie liczby całkowite w formacie mxn. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

tile_overlap_ratio
float
Wymagane

Nakładanie się między sąsiednimi kafelkami w każdym wymiarze. Musi być zmiennoprzecinkowy w zakresie [0, 1). Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

tile_predictions_nms_threshold
float
Wymagane

Próg operacji we/wy używany do wykonywania nms podczas scalania przewidywań z kafelków i obrazu. Używane w weryfikacji/wnioskowaniu. Musi być zmiennoprzecinkowy w zakresie [0, 1]. Uwaga: te ustawienia nie są obsługiwane dla algorytmu "yolov5".

validation_iou_threshold
float
Wymagane

Próg operacji we/wy do użycia podczas przetwarzania metryki weryfikacji. Musi być zmiennoprzecinkowy w zakresie [0, 1].

validation_metric_type
str lub ValidationMetricType
Wymagane

Metoda obliczeniowa metryki do użycia na potrzeby metryk weryfikacji. Możliwe wartości to: "None", "Coco", "Voc", "CocoVoc".

log_training_metrics
str lub <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
Wymagane

wskazuje, czy rejestrować metryki trenowania

log_validation_loss
str lub <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Wymagane

wskazuje, czy należy rejestrować utratę walidacji