Visão computacional

Estes exemplos treinam modelos de visão computacional em AI Runtime. Abrangem classificação de imagens, ajuste de hiperparâmetros com Ray Tune e deteção de objetos.

Example	Interface	Descrição
Classificação de imagens usando rede neural convolucional	Notebook	Este caderno fornece um exemplo simples de como treinar uma rede neural de convolução 2D em AI Runtime para classificação de imagens.
Ajuste de hiperparâmetros do CIFAR-10 com o Ray Tune	Notebook	Este notebook executa ensaios em simultâneo com frações de GPU para um classificador de imagens em PyTorch e utiliza o algoritmo assíncrono de redução sucessiva (ASHA) para interromper antecipadamente configurações com fraco desempenho.
Deteção de objetos usando RetinaNet	Notebook	Este caderno demonstra como treinar um modelo de deteção de objetos usando o RetinaNet no AI Runtime.
Deteção de objetos usando YOLO11n	Notebook	Este caderno demonstra como treinar um modelo de deteção de objetos YOLO11n no conjunto de dados COCO128 usando AI Runtime, com rastreamento MLflow e implementação com Model Serving.
Ajuste fino do ResNet-50 na Imagenette	CLI	Utilize o Ray Train para afinar o ResNet-50 com um trabalhador paralelo de dados distribuídos por GPU A10 em dois nós e registar métricas no MLflow.
Ajuste fino de classificação de imagem com DINOv3	CLI	Ajuste um transformador de visão DINOv3 no Oxford Flowers-102 numa GPU A10 e embale o modelo selecionado para inferência.
Classificação de ações em vídeo	CLI	Treine um classificador recorrente numa GPU A10 para reconhecer ações a partir de características dos fotogramas de vídeo produzidas pelo ResNet-18.
Compreensão de imagem em lote com Qwen3-VL-8B e vLLM	CLI	Utilize o Ray Data e o vLLM para gerar legendas para e classificar imagens num nó H100 8x com saídas estruturadas.