Dela via

ImageModelSettingsObjectDetection Klass

  • Referens

Modellinställningar för autoML-avbildningsobjektidentifieringsaktivitet.

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

Konstruktor

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)

Parametrar

advanced_settings
str
Obligatorisk

Inställningar för avancerade scenarier.

ams_gradient
bool
Obligatorisk

Aktivera AMSGrad när optimeraren är "adam" eller "adamw".

beta1
float
Obligatorisk

Värdet "beta1" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].

beta2
float
Obligatorisk

Värdet för "beta2" när optimizern är "adam" eller "adamw". Måste vara en flottör i intervallet [0, 1].

checkpoint_frequency
int
Obligatorisk

Frekvens för att lagra modellkontrollpunkter. Måste vara ett positivt heltal.

checkpoint_run_id
str
Obligatorisk

ID:t för en tidigare körning som har en förtränad kontrollpunkt för inkrementell träning.

distributed
bool
Obligatorisk

Om du vill använda distribuerad träning.

early_stopping
bool
Obligatorisk

Aktivera tidig stopplogik under träning.

early_stopping_delay
int
Obligatorisk

Minsta antal epoker eller valideringsutvärderingar som ska vänta innan den primära måttförbättringen spåras för tidig stoppning. Måste vara ett positivt heltal.

early_stopping_patience
int
Obligatorisk

Minsta antal epoker eller valideringsutvärderingar utan någon primär måttförbättring innan körningen stoppas. Måste vara ett positivt heltal.

enable_onnx_normalization
bool
Obligatorisk

Aktivera normalisering vid export av ONNX-modell.

evaluation_frequency
int
Obligatorisk

Frekvens för att utvärdera valideringsdatauppsättningen för att få måttpoäng. Måste vara ett positivt heltal.

gradient_accumulation_step
int
Obligatorisk

Toningsansamling innebär att du kör ett konfigurerat antal "GradAccumulationStep"-steg utan att uppdatera modellvikterna medan du ackumulerar toningarna i dessa steg och sedan använder de ackumulerade toningarna för att beräkna viktuppdateringarna. Måste vara ett positivt heltal.

layers_to_freeze
int
Obligatorisk

Antal lager som ska frysas för modellen. Måste vara ett positivt heltal. Om du till exempel skickar 2 som värde för "seresnext" innebär det fryslager0 och lager1. En fullständig lista över modeller som stöds och information om lagerfrysning finns i: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate
float
Obligatorisk

Inledande inlärningstakt. Måste vara en flottör i intervallet [0, 1].

learning_rate_scheduler
str eller LearningRateScheduler
Obligatorisk

Typ av schemaläggare för inlärningsfrekvens. Måste vara "warmup_cosine" eller "step". Möjliga värden är: "None", "WarmupCosine", "Step".

model_name
str
Obligatorisk

Namnet på den modell som ska användas för träning. Mer information om tillgängliga modeller finns i den officiella dokumentationen: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float
Obligatorisk

Värdet för momentum när optimeraren är "sgd". Måste vara en flottör i intervallet [0, 1].

nesterov
bool
Obligatorisk

Aktivera nesterov när optimizer är "sgd".

number_of_epochs
int
Obligatorisk

Antal träningsepoker. Måste vara ett positivt heltal.

number_of_workers
int
Obligatorisk

Antal datainläsare. Måste vara ett icke-negativt heltal.

optimizer
str eller StochasticOptimizer
Obligatorisk

Typ av optimerare. Möjliga värden är: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Obligatorisk

Slumpmässigt frö som ska användas när du använder deterministisk träning.

step_lr_gamma
float
Obligatorisk

Värdet för gamma när schemaläggaren för inlärningsfrekvens är "steg". Måste vara en flottör i intervallet [0, 1].

step_lr_step_size
int
Obligatorisk

Värdet för stegstorlek när schemaläggaren för inlärningsfrekvens är "steg". Måste vara ett positivt heltal.

training_batch_size
int
Obligatorisk

Träningsbatchstorlek. Måste vara ett positivt heltal.

validation_batch_size
int
Obligatorisk

Batchstorlek för validering. Måste vara ett positivt heltal.

warmup_cosine_lr_cycles
float
Obligatorisk

Värdet för cosinincykeln när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara en flottör i intervallet [0, 1].

warmup_cosine_lr_warmup_epochs
int
Obligatorisk

Värdet för uppvärmningsepoker när schemaläggaren för inlärningsfrekvens är "warmup_cosine". Måste vara ett positivt heltal.

weight_decay
float
Obligatorisk

Värdet för viktförfall när optimizern är "sgd", "adam" eller "adamw". Måste vara en flottör i intervallet[0, 1].

box_detections_per_image
int
Obligatorisk

Maximalt antal identifieringar per bild för alla klasser. Måste vara ett positivt heltal. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

box_score_threshold
float
Obligatorisk

Under slutsatsdragningen returnerar du bara förslag med en klassificeringspoäng som är större än BoxScoreThreshold. Måste vara en flottör i intervallet[0, 1].

image_size
int
Obligatorisk

Bildstorlek för träning och validering. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen.

max_size
int
Obligatorisk

Maximal storlek på bilden som ska skalas om innan den matas till stamnätet. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

min_size
int
Obligatorisk

Minsta storlek på bilden som ska skalas om innan den matas till ryggraden. Måste vara ett positivt heltal. Obs! Träningskörningen kan komma in i CUDA OOM om storleken är för stor. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

model_size
str eller ModelSize
Obligatorisk

Modellstorlek. Måste vara "liten", "medel", "stor". Obs! Träningskörningen kan komma in i CUDA OOM om modellstorleken är för stor. Obs! De här inställningarna stöds endast för yolov5-algoritmen. Möjliga värden är: "None", "Small", "Medium", "Large", "ExtraLarge".

multi_scale
bool
Obligatorisk

Aktivera bild i flera skalningsklasser genom att variera bildstorleken med +/- 50 %. Obs! Träningskörningen kan komma in i CUDA OOM om det inte finns tillräckligt med GPU-minne. Obs! De här inställningarna stöds endast för yolov5-algoritmen.

nms_iou_threshold
float
Obligatorisk

Tröskelvärde för IOU som används vid slutsatsdragning i NMS efter bearbetning. Måste vara en flottör i intervallet [0, 1].

tile_grid_size
str
Obligatorisk

Rutnätsstorleken som ska användas för att sida vid sida vid varje bild. Obs! TileGridSize får inte vara Ingen för att aktivera logik för identifiering av små objekt. En sträng som innehåller två heltal i mxn-format. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

tile_overlap_ratio
float
Obligatorisk

Överlappningsförhållande mellan intilliggande paneler i varje dimension. Måste vara flytande i intervallet [0, 1). Obs! De här inställningarna stöds inte för yolov5-algoritmen.

tile_predictions_nms_threshold
float
Obligatorisk

Tröskelvärdet för IOU som ska användas för att utföra NMS vid sammanslagning av förutsägelser från paneler och bilder. Används i validering/slutsatsdragning. Måste vara flytande i intervallet [0, 1]. Obs! De här inställningarna stöds inte för yolov5-algoritmen.

validation_iou_threshold
float
Obligatorisk

Tröskelvärde för IOU som ska användas vid beräkning av valideringsmått. Måste vara flytande i intervallet [0, 1].

validation_metric_type
str eller ValidationMetricType
Obligatorisk

Beräkningsmetod för mått som ska användas för valideringsmått. Möjliga värden är: "None", "Coco", "Voc", "CocoVoc".

log_training_metrics
str eller <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
Obligatorisk

anger om träningsmått ska loggas eller inte

log_validation_loss
str eller <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Obligatorisk

anger om valideringsförlust ska loggas eller inte