Компьютерное зрение

Эти примеры обучают модели компьютерного зрения на AI Runtime. Они охватывают классификацию изображений, настройку гиперпараметров с помощью Ray Tune и обнаружение объектов.

Example	Interface	Описание
Классификация изображений с помощью сверточных нейронных сетей	Notebook	Этот блокнот предоставляет простой пример того, как обучить 2D-свёрточную нейронную сеть на AI Runtime для классификации изображений.
Настройка гиперпараметров CIFAR-10 с помощью Ray Tune	Notebook	Этот ноутбук выполняет параллельные запуски с дробным использованием GPU для классификатора изображений на PyTorch и использует алгоритм асинхронного последовательного отсечения (ASHA), чтобы заранее останавливать малоэффективные конфигурации.
Обнаружение объектов с помощью RetinaNet	Notebook	Этот блокнот демонстрирует, как обучать модель обнаружения объектов с помощью RetinaNet на AI Runtime.
Обнаружение объектов с помощью YOLO11n	Notebook	Этот блокнот демонстрирует, как обучить модель обнаружения объектов YOLO11n на COCO128 наборе данных с помощью AI Runtime, с отслеживанием MLflow и развертыванием Model Serving.
Тонкая настройка классификации изображений с помощью DINOv3	CLI	Выполните тонкую настройку визуального трансформатора DINOv3 на Oxford Flowers-102 на одном GPU A10 и подготовьте выбранную модель для инференса.
Классификация действий в видео	CLI	Обучить рекуррентный классификатор на одном GPU A10 распознавать действия по признакам видеокадров, созданным ResNet-18.
Пакетное понимание изображений с помощью Qwen3-VL-8B и vLLM	CLI	Используйте Ray Data и vLLM для создания подписей к изображениям и их классификации на узле H100 8x со структурированным выводом.