Datorseende

Viktigt!

Den här funktionen finns som allmänt tillgänglig förhandsversion.

Dessa exempel tränar datorseendemodeller på AI-runtime. De täcker bildklassificering, hyperparameterjustering med Ray Tune och objektdetektion.

Example	Interface	Beskrivning
Bildklassificering med hjälp av konvolutionellt neuralt nätverk	Notebook	Den här notebook-filen innehåller ett enkelt exempel på hur du tränar ett neuralt 2D-involutionsnätverk på serverlösa GPU:er för bildklassificering.
CIFAR-10 hyperparameterinställning med Ray Tune	Notebook	Denna notebook kör samtidiga fraktionella GPU-tester för en PyTorch-bildklassificerare och använder den asynkrona successiva halveringsalgoritmen (ASHA) för att stoppa underpresterande konfigurationer tidigt.
Objektidentifiering med RetinaNet	Notebook	Den här notebook-filen visar hur du tränar en objektidentifieringsmodell med RetinaNet på serverlös GPU.
Objektidentifiering med YOLO11n	Notebook	Den här anteckningsboken visar hur du tränar en YOLO11n-objektdetekteringsmodell på datauppsättningen COCO128 med serverlös GPU, med MLflow-spårning och distribution med Model Serving.
Finjustering av ResNet-50 på Imagenette	CLI	Använd Ray Train för att finjustera ResNet-50 med en distribuerad dataparallellarbetare per A10-GPU över två noder och logga mätvärden till MLflow.