Гиперпараметры для задач компьютерного зрения в автоматизированном машинном обучении (версия 1)

ОБЛАСТЬ ПРИМЕНЕНИЯ: Пакет SDK для Python версии 1

Сведения о гиперпараметрах, используемых в задачах компьютерного зрения в автоматизированных экспериментах машинного обучения.

Благодаря поддержке задач компьютерного зрения можно управлять алгоритмом модели и гиперпараметрами sweep. Эти алгоритмы модели и гиперпараметры передаются в качестве пространства параметров для очистки. Хотя многие из показанных гиперпараметров не зависят от модели, существуют экземпляры, в которых гиперпараметры зависят от конкретной задачи или конкретной модели.

Гиперпараметры, зависящие от модели

В этой таблице перечислены гиперпараметры, относящиеся к алгоритму yolov5.

Наименование параметра	Description	По умолч.
validation_metric_type	Метод вычисления метрик, который используется для расчета проверочных метрик. Должно быть указано значение none, coco, voc или coco_voc.	voc
validation_iou_threshold	Пороговое значение IOU для сопоставления полей при вычислении проверочных метрик. Должно быть значением типа float в диапазоне [0,1, 1].	0,5
img_size	Размер изображения для обучения и проверки. Принимаются только положительные целые числа. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	640
model_size	Размер модели. Должно быть указано значение small, medium, large или xlarge. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	medium
multi_scale	Включение многомасштабного изображения путем изменения размера изображения на +/- 50 % Значение должно быть равно 0 или 1. Примечание. Если объема памяти на видеокарте недостаточно, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	0
box_score_thresh	Во время вывода возвращают только предложения со значением оценки больше box_score_thresh. Оценка представляет собой произведение оценки objectness и вероятности классификации. Должно быть значением типа float в диапазоне [0, 1].	0,1
nms_iou_thresh	Пороговое значение IOU, используемое при выводе в ходе постобработки с подавлением немаксимумов. Должно быть значением типа float в диапазоне [0, 1].	0,5
tile_grid_size	Размер сетки, используемый для мозаичного заполнения каждого изображения. Примечание. Чтобы включить алгоритм обнаружения небольших объектов параметр tile_grid_size не должен иметь значение None Кортеж из двух целых чисел, передаваемых в виде строки. Пример: --tile_grid_size "(3, 2)"	Нет по умолчанию
tile_overlap_ratio	Коэффициент перекрытия смежных фрагментов в каждом измерении. Должно быть значением типа float в диапазоне [0, 1)	0.25
tile_predictions_nms_thresh	Пороговое значение IOU, используемое для выполнения поиска немаксимумов (NMS) при объединении прогнозов из фрагментов и изображения. Используется при проверке или выводе. Должно быть значением типа float в диапазоне [0, 1]	0.25

В этой таблице перечислены гиперпараметры, относящиеся к maskrcnn_*для сегментации экземпляров во время вывода.

Наименование параметра	Description	По умолч.
mask_pixel_score_threshold	Граница отсечения, позволяющая определить, нужно ли рассматривать пиксел как часть маски объект.	0,5
max_number_of_polygon_points	Максимальное число пар координат (x, y) в многоугольнике после преобразования из маски.	100
export_as_image	Экспорт масок как изображений.	False
image_type	Тип изображения, в который выполняется экспорт маски (возможные значения: JPG, PNG, BMP).	JPG

Гиперпараметры, не зависящие от модели

В следующей таблице описываются гиперпараметры, не зависящие от модели.

Наименование параметра	Description	По умолч.
number_of_epochs	Число эпох обучения. Принимаются только положительные целые числа.	15 (кроме yolov5: 30)
training_batch_size	Размер пакета, используемого для обучения. Принимаются только положительные целые числа.	Многоклассовая и многоэтапная метка: 78 (за исключением вариантов vit-variants: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Обнаружение объектов: 2 (за исключением yolov5: 16) Сегментация экземпляра: 2 Примечание. Значения по умолчанию — это самый большой размер пакета, который можно использовать в 12 ГиБ памяти GPU.
validation_batch_size	Размер пакета, используемого для проверки. Принимаются только положительные целые числа.	Многоклассовая и многоэтапная метка: 78 (за исключением вариантов vit-variants: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Обнаружение объектов: 1 (за исключением yolov5: 16) Сегментация экземпляра: 1 Примечание. Значения по умолчанию — это самый большой размер пакета, который можно использовать в 12 ГиБ памяти GPU.
grad_accumulation_step	Вычисление градиента означает выполнение настроенного числа grad_accumulation_step без обновления весов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для расчета новых весовых коэффициентов. Принимаются только положительные целые числа.	1
early_stopping	Включить алгоритм раннего прекращения логики во время обучения. Значение должно быть равно 0 или 1.	1
early_stopping_patience	Минимальное число эпох или проверочных оценок проверки без улучшения основной метрики до остановки выполнения. Принимаются только положительные целые числа.	5
early_stopping_delay	Минимальное число эпох или проверочных оценок проверки для ожидания, после которого начинается отслеживание основной метрики для раннего останова. Принимаются только положительные целые числа.	5
learning_rate	Начальная скорость обучения. Должно быть значением типа float в диапазоне [0, 1].	Мультикласс: 0.01 (за исключением вариантов vit-variants: vits16r224: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) Multi-label: 0.035 (кроме vit-variants: vits16r224: 0.025 vitb16r224: 0.025 vitl16r224: 0.002) Обнаружение объектов: 0.005 (за исключением yolov5: 0.01) Сегментация экземпляров: 0,005
lr_scheduler	Тип планировщика скорости обучения. Должно быть warmup_cosine или step.	warmup_cosine
step_lr_gamma	Значение гаммы, когда используется планировщик скорости обучения step. Должно быть значением типа float в диапазоне [0, 1].	0,5
step_lr_step_size	Значение шага, когда используется планировщик скорости обучения step. Принимаются только положительные целые числа.	5
warmup_cosine_lr_cycles	Значение цикла косинуса, когда используется планировщик скорости обучения warmup_cosine. Должно быть значением типа float в диапазоне [0, 1].	0,45 %
warmup_cosine_lr_warmup_epochs	Значение числа эпох прогрева, когда используется планировщик скорости обучения warmup_cosine. Принимаются только положительные целые числа.	2
optimizer	Тип оптимизатора. Должно иметь одно из следующих значений: sgd, adam, adamw.	sgd
momentum	Значение момента, когда используется оптимизатор sgd. Должно быть значением типа float в диапазоне [0, 1].	0,9
weight_decay	Значение сокращение веса, если используется оптимизатор sgd, adam или adamw. Должно быть значением типа float в диапазоне [0, 1].	1e-4
nesterov	Включить nesterov, если используется оптимизатор sgd. Значение должно быть равно 0 или 1.	1
beta1	Значение равно beta1, если используется оптимизатор adam или adamw. Должно быть значением типа float в диапазоне [0, 1].	0,9
beta2	Значение равно beta2, если используется оптимизатор adam или adamw. Должно быть значением типа float в диапазоне [0, 1].	0,999
amsgrad	Включить amsgrad, если используется оптимизатор adam или adamw. Значение должно быть равно 0 или 1.	0
evaluation_frequency	Частота оценки набора данных проверки для получения оценок метрик. Принимаются только положительные целые числа.	1
checkpoint_frequency	Частота сохранения контрольных точек модели. Принимаются только положительные целые числа.	Контрольная точка в эпохе с лучшей основной метрикой при проверке.
checkpoint_run_id	Идентификатор выполнения эксперимента, у которого есть контрольная точка предварительного обучения для добавочного обучения.	значение по умолчанию отсутствует
checkpoint_dataset_id	Идентификатор FileDataset, содержащий контрольные точки предварительного обучения для добавочного обучения. Передавайте checkpoint_filename, а также checkpoint_dataset_id.	значение по умолчанию отсутствует
checkpoint_filename	Имя файла контрольной точки предварительного обучения в FileDataset для добавочного обучения. Передавайте checkpoint_dataset_id, а также checkpoint_filename.	значение по умолчанию отсутствует
layers_to_freeze	Количество слоев, которое необходимо заморозить в модели. Например, если передать 2 в качестве значения seresnext, то будут заморожены layer0 и Layer1, которые ссылаются на следующие сведения о поддерживаемых слоях модели. Принимаются только положительные целые числа. 'resnet': [('conv1.', 'bn1.'), 'layer1.', 'layer2.', 'layer3.', 'layer4.'], 'mobilenetv2': ['features.0.', 'features.1.', 'features.2.', 'features.3.', 'features.4.', 'features.5.', 'features.6.', 'features.7.', 'features.8.', 'features.9.', 'features.10.', 'features.11.', 'features.12.', 'features.13.', 'features.14.', 'features.15.', 'features.16.', 'features.17.', 'features.18.'], 'seresnext': ['layer0.', 'layer1.', 'layer2.', 'layer3.', 'layer4.'], 'vit': ['patch_embed', 'blocks.0.', 'blocks.1.', 'blocks.2.', 'blocks.3.', 'blocks.4.', 'blocks.5.', 'blocks.6.','blocks.7.', 'blocks.8.', 'blocks.9.', 'blocks.10.', 'blocks.11.'], 'yolov5_backbone': ['model.0.', 'model.1.', 'model.2.', 'model.3.', 'model.4.','model.5.', 'model.6.', 'model.7.', 'model.8.', 'model.9.'], 'resnet_backbone': ['backbone.body.conv1.', 'backbone.body.layer1.', 'backbone.body.layer2.','backbone.body.layer3.', 'backbone.body.layer4.']	значение по умолчанию отсутствует

Гиперпараметры для классификации изображений (с несколькими классами и с несколькими метками)

В следующей таблице перечислены гиперпараметры, используемые в задача классификации изображений (с несколькими классами и несколькими метками).

Наименование параметра	Description	По умолч.
weighted_loss	0 для отсутствия взвешенной ошибки. 1 для взвешаемой потери с sqrt. (class_weights) 2 для расчета взвешенной ошибки с помощью class_weights. Значение должно быть 0 или 1 или 2.	0
valid_resize_size	Размер, до которого необходимо изменить изображение перед обрезкой для набора данных проверки. Принимаются только положительные целые числа. Примечания: seresnext не принимает произвольный размер. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	256
valid_crop_size	Размер обрезанных изображений, подаваемых в нейронную сеть для набора данных для проверки. Принимаются только положительные целые числа. Примечания: seresnext не принимает произвольный размер. Варианты ViT должны иметь одинаковые значения valid_crop_size и train_crop_size. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	224
train_crop_size	Размер обрезанных изображений, подаваемых в нейронную сеть в качестве набора данных, предназначенного для обучения. Принимаются только положительные целые числа. Примечания: seresnext не принимает произвольный размер. Варианты ViT должны иметь одинаковые значения valid_crop_size и train_crop_size. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	224

Гиперпараметры, относящиеся к задачам обнаружения объектов и задачам сегментации экземпляров

Следующие гиперпараметры предназначены для задач обнаружения объектов и сегментации экземпляров.

Предупреждение

Эти параметры не поддерживаются алгоритмом yolov5. Поддерживаемые гиперпараметры yolov5см. в разделе параметры, зависящие от модели.

Наименование параметра	Description	По умолч.
validation_metric_type	Метод вычисления метрик, который используется для расчета проверочных метрик. Должно быть указано значение none, coco, voc или coco_voc.	voc
validation_iou_threshold	Пороговое значение IOU для сопоставления полей при вычислении проверочных метрик. Должно быть значением типа float в диапазоне [0,1, 1].	0,5
min_size	Минимальный размер повторно масштабируемого изображения перед подачей в основную сеть. Принимаются только положительные целые числа. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	600
max_size	Максимальный размер повторно масштабируемого изображения перед подачей в основную сеть. Принимаются только положительные целые числа. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти".	1333
box_score_thresh	Во время вывода возвращают только предложения с показателем классификации больше box_score_thresh. Должно быть значением типа float в диапазоне [0, 1].	0,3
nms_iou_thresh	Пороговое значение метрики IOU (Пересечение над объединением), используемое в методе подавления немаксимумов (NMS) для prediction head. Используется во время вывода. Должно быть значением типа float в диапазоне [0, 1].	0,5
box_detections_per_img	Максимальное число обнаружений на каждое изображение для всех классов. Принимаются только положительные целые числа.	100
tile_grid_size	Размер сетки, используемый для мозаичного заполнения каждого изображения. Примечание. Чтобы включить алгоритм обнаружения небольших объектов параметр tile_grid_size не должен иметь значение None Кортеж из двух целых чисел, передаваемых в виде строки. Пример: --tile_grid_size "(3, 2)"	Нет по умолчанию
tile_overlap_ratio	Коэффициент перекрытия смежных фрагментов в каждом измерении. Должно быть значением типа float в диапазоне [0, 1)	0.25
tile_predictions_nms_thresh	Пороговое значение IOU, используемое для выполнения поиска немаксимумов (NMS) при объединении прогнозов из фрагментов и изображения. Используется при проверке или выводе. Должно быть значением типа float в диапазоне [0, 1]	0.25

Следующие шаги

• Ознакомьтесь со сведениями о настройке AutoML для обучения моделей компьютерного зрения с помощью Python (предварительная версия).

• Учебник. Обучение модели обнаружения объектов (предварительная версия) с помощью AutoML и Python.