Partilhar via

ImageModelSettingsObjectDetection Classe

  • Referência

Definições de modelo para Tarefa de Deteção de Objetos de Imagem autoML.

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

Construtor

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)

Parâmetros

advanced_settings
str
Necessário

Definições para cenários avançados.

ams_gradient
bool
Necessário

Ative o AMSGrad quando o otimizador for "adam" ou "adamw".

beta1
float
Necessário

Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].

beta2
float
Necessário

Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].

checkpoint_frequency
int
Necessário

Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo.

checkpoint_run_id
str
Necessário

O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental.

distributed
bool
Necessário

Se pretende utilizar a preparação distribuída.

early_stopping
bool
Necessário

Ative a lógica de paragem antecipada durante a preparação.

early_stopping_delay
int
Necessário

Número mínimo de épocas ou avaliações de validação a aguardar antes de a melhoria das métricas primárias ser controlada para paragem antecipada. Tem de ser um número inteiro positivo.

early_stopping_patience
int
Necessário

Número mínimo de épocas ou avaliações de validação sem melhoria de métricas primárias antes de a execução ser parada. Tem de ser um número inteiro positivo.

enable_onnx_normalization
bool
Necessário

Ativar a normalização ao exportar o modelo ONNX.

evaluation_frequency
int
Necessário

Frequência para avaliar o conjunto de dados de validação para obter classificações de métricas. Tem de ser um número inteiro positivo.

gradient_accumulation_step
int
Necessário

A acumulação de gradação significa executar um número configurado de passos "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula as gradações desses passos e, em seguida, utilizar os gradações acumuladas para calcular as atualizações de peso. Tem de ser um número inteiro positivo.

layers_to_freeze
int
Necessário

Número de camadas a fixar para o modelo. Tem de ser um número inteiro positivo. Por exemplo, transmitir 2 como valor para "seresnext" significa congelar camada0 e camada1. Para obter uma lista completa dos modelos suportados e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate
float
Necessário

Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1].

learning_rate_scheduler
str ou LearningRateScheduler
Necessário

Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". Os valores possíveis incluem: "None", "WarmupCosine", "Step".

model_name
str
Necessário

Nome do modelo a utilizar para preparação. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float
Necessário

Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1].

nesterov
bool
Necessário

Ative o aninhado quando o otimizador é "sgd".

number_of_epochs
int
Necessário

Número de épocas de preparação. Tem de ser um número inteiro positivo.

number_of_workers
int
Necessário

Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo.

optimizer
str ou StochasticOptimizer
Necessário

Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Necessário

Semente aleatória a ser utilizada ao utilizar preparação determinista.

step_lr_gamma
float
Necessário

Valor da gama quando o programador de taxa de aprendizagem é "passo". Tem de ser um flutuante no intervalo [0, 1].

step_lr_step_size
int
Necessário

Valor do tamanho do passo quando o agendador da taxa de aprendizagem é "passo". Tem de ser um número inteiro positivo.

training_batch_size
int
Necessário

Tamanho do lote de preparação. Tem de ser um número inteiro positivo.

validation_batch_size
int
Necessário

Tamanho do lote de validação. Tem de ser um número inteiro positivo.

warmup_cosine_lr_cycles
float
Necessário

Valor do ciclo de cosseno quando o agendador da taxa de aprendizagem é "warmup_cosine". Tem de ser um flutuante no intervalo [0, 1].

warmup_cosine_lr_warmup_epochs
int
Necessário

Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Tem de ser um número inteiro positivo.

weight_decay
float
Necessário

Valor da decadência do peso quando o otimizador é 'sgd', 'adão' ou 'adamw'. Tem de ser um flutuante no intervalo[0, 1].

box_detections_per_image
int
Necessário

Número máximo de deteções por imagem, para todas as classes. Tem de ser um número inteiro positivo. Nota: estas definições não são suportadas para o algoritmo "yolov5".

box_score_threshold
float
Necessário

Durante a inferência, só devolve propostas com uma classificação de classificação superior a BoxScoreThreshold. Tem de ser um flutuante no intervalo[0, 1].

image_size
int
Necessário

Tamanho da imagem para preparação e validação. Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM da CUDA se o tamanho for demasiado grande. Nota: estas definições só são suportadas para o algoritmo "yolov5".

max_size
int
Necessário

Tamanho máximo da imagem a ser redimensionada antes de a alimentar na estrutura principal. Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande. Nota: estas definições não são suportadas para o algoritmo "yolov5".

min_size
int
Necessário

Tamanho mínimo da imagem a ser redimensionada antes de a alimentar na estrutura principal. Tem de ser um número inteiro positivo. Nota: a execução de preparação pode entrar no OOM cuda se o tamanho for demasiado grande. Nota: estas definições não são suportadas para o algoritmo "yolov5".

model_size
str ou ModelSize
Necessário

Tamanho do modelo. Tem de ser "pequeno", "médio", "grande". Nota: a execução de preparação poderá entrar no OOM cuda se o tamanho do modelo for demasiado grande. Nota: estas definições só são suportadas para o algoritmo "yolov5". Os valores possíveis incluem: "None", "Small", "Medium", "Large", "ExtraLarge".

multi_scale
bool
Necessário

Ative a imagem em várias escalas ao variar o tamanho da imagem em +/- 50%. Nota: a execução de preparação pode entrar no OOM CUDA se não houver memória GPU suficiente. Nota: estas definições só são suportadas para o algoritmo "yolov5".

nms_iou_threshold
float
Necessário

Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de ser um flutuante no intervalo [0, 1].

tile_grid_size
str
Necessário

O tamanho da grelha a utilizar para tilar cada imagem. Nota: TileGridSize não pode ser Nenhum para ativar a lógica de deteção de objetos pequeno. Uma cadeia que contém dois números inteiros no formato mxn. Nota: estas definições não são suportadas para o algoritmo "yolov5".

tile_overlap_ratio
float
Necessário

Relação de sobreposição entre mosaicos adjacentes em cada dimensão. Tem de estar a flutuar no intervalo [0, 1). Nota: estas definições não são suportadas para o algoritmo "yolov5".

tile_predictions_nms_threshold
float
Necessário

O limiar de IOU a utilizar para executar o NMS enquanto intercala predições de mosaicos e imagens. Utilizado na validação/inferência. Tem de estar a flutuar no intervalo [0, 1]. Nota: estas definições não são suportadas para o algoritmo "yolov5".

validation_iou_threshold
float
Necessário

Limiar de IOU a utilizar ao calcular a métrica de validação. Tem de estar a flutuar no intervalo [0, 1].

validation_metric_type
str ou ValidationMetricType
Necessário

Método de computação de métricas a utilizar para métricas de validação. Os valores possíveis incluem: "None", "Coco", "Voc", "CocoVoc".

log_training_metrics
str ou <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
Necessário

indica se deve ou não registar métricas de preparação

log_validation_loss
str ou <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Necessário

indica se deve ou não registar a perda de validação