ImageModelSettingsObjectDetection Classe
Definições de modelo para Tarefa de Deteção de Objetos de Imagem autoML.
- Herança
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
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
- beta1
- float
Valor de "beta1" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].
- beta2
- float
Valor de "beta2" quando o otimizador é "adão" ou "adamw". Tem de ser um flutuante no intervalo [0, 1].
- checkpoint_frequency
- int
Frequência para armazenar pontos de verificação de modelos. Tem de ser um número inteiro positivo.
- checkpoint_run_id
- str
O ID de uma execução anterior que tem um ponto de verificação pré-preparado para preparação incremental.
- early_stopping_delay
- int
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
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.
- evaluation_frequency
- int
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
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
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
Taxa de aprendizagem inicial. Tem de ser um flutuante no intervalo [0, 1].
- learning_rate_scheduler
- str ou LearningRateScheduler
Tipo de agendador de taxa de aprendizagem. Tem de ser "warmup_cosine" ou "passo". Os valores possíveis incluem: "None", "WarmupCosine", "Step".
- model_name
- str
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
Valor de impulso quando o otimizador é 'sgd'. Tem de ser um flutuante no intervalo [0, 1].
- number_of_epochs
- int
Número de épocas de preparação. Tem de ser um número inteiro positivo.
- number_of_workers
- int
Número de trabalhadores do carregador de dados. Tem de ser um número inteiro não negativo.
- optimizer
- str ou StochasticOptimizer
Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".
- step_lr_gamma
- float
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
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
Tamanho do lote de preparação. Tem de ser um número inteiro positivo.
- validation_batch_size
- int
Tamanho do lote de validação. Tem de ser um número inteiro positivo.
- warmup_cosine_lr_cycles
- float
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
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
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
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
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
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
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
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".
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
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
Limiar IOU utilizado durante a inferência no pós-processamento do NMS. Tem de ser um flutuante no intervalo [0, 1].
- tile_grid_size
- str
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
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
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
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
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>
indica se deve ou não registar métricas de preparação
- log_validation_loss
- str ou <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
indica se deve ou não registar a perda de validação
Azure SDK for Python
Comentários
https://aka.ms/ContentUserFeedback.
Brevemente: Ao longo de 2024, vamos descontinuar progressivamente o GitHub Issues como mecanismo de feedback para conteúdos e substituí-lo por um novo sistema de feedback. Para obter mais informações, veja:Submeter e ver comentários