Otomatik makine öğrenmesindeki görüntü işleme görevleri için hiper parametreler (v1)
ŞUNUN IÇIN GEÇERLIDIR:Python SDK azureml v1
Otomatik ML denemelerinde özellikle görüntü işleme görevleri için hangi hiper parametrelerin kullanılabilir olduğunu öğrenin.
Görüntü işleme görevlerine yönelik destek sayesinde model algoritmasını denetleyebilir ve hiper parametreleri süpürebilirsiniz. Bu model algoritmaları ve hiper parametreler süpürme için parametre alanı olarak geçirilir. Kullanıma sunulan hiper parametrelerin çoğu modelden bağımsız olsa da, hiper parametrelerin modele veya göreve özgü olduğu örnekler vardır.
Modele özgü hiper parametreler
Bu tabloda algoritmaya özgü hiper parametreler özetlemektedir yolov5
.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
validation_metric_type |
Doğrulama ölçümleri için kullanılacak ölçüm hesaplama yöntemi. , , coco voc veya coco_voc olmalıdırnone . |
voc |
validation_iou_threshold |
Doğrulama ölçümleri hesaplanırken kutu eşleştirmesi için IOU eşiği. [0,1, 1] aralığında bir float olmalıdır. |
0,5 |
img_size |
Tren ve doğrulama için görüntü boyutu. Pozitif bir tamsayı olmalıdır. Not: Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
640 |
model_size |
Model boyutu. , , medium large veya xlarge olmalıdırsmall . Not: Model boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
medium |
multi_scale |
Görüntü boyutunu %+/- %50 oranında değiştirerek çok ölçekli görüntüyü etkinleştirme 0 veya 1 olmalıdır. Not: Yeterli GPU belleği yoksa eğitim çalıştırması CUDA OOM'a alınabilir. |
0 |
box_score_thresh |
Çıkarım sırasında, yalnızca değerinden box_score_thresh büyük puana sahip teklifleri döndürür. Puan, nesnelik puanının çarpması ve sınıflandırma olasılığıdır. [0, 1] aralığında bir float olmalıdır. |
0,1 |
nms_iou_thresh |
Maksimum olmayan gizleme sonrasında çıkarım sırasında kullanılan IOU eşiği. [0, 1] aralığında bir float olmalıdır. |
0,5 |
tile_grid_size |
Her görüntüyü döşemek için kullanılacak kılavuz boyutu. Not: küçük nesne algılama mantığını etkinleştirmek için tile_grid_size Hiçbiri olmamalıdır Dize olarak geçirilen iki tamsayıdan oluşan bir demet. Örnek: --tile_grid_size "(3, 2)" |
Varsayılan Yok |
tile_overlap_ratio |
Her boyuttaki bitişik kutucuklar arasındaki çakışma oranı. [0, 1) aralığında kaydırılmalıdır |
0.25 |
tile_predictions_nms_thresh |
Kutucuklardan ve görüntüden tahminleri birleştirirken NMS gerçekleştirmek için kullanılacak IOU eşiği. Doğrulama/çıkarımda kullanılır. [0, 1] aralığında kaydırılmalıdır |
0.25 |
Bu tablo, çıkarım sırasında örnek segmentasyonuna maskrcnn_*
özgü hiper parametreleri özetler.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
mask_pixel_score_threshold |
Bir pikseli nesnenin maskesinin bir parçası olarak değerlendirmek için kesmeyi puanlama. | 0,5 |
max_number_of_polygon_points |
Maskeden dönüştürüldükten sonra çokgendeki en fazla (x, y) koordinat çifti sayısı. | 100 |
export_as_image |
Maskeleri görüntü olarak dışarı aktarın. | False |
image_type |
Maskeyi farklı dışarı aktaracak resim türü (seçenekler jpg, png, bmp'tir). | JPG |
Model agnostik hiper parametreleri
Aşağıdaki tabloda modelden bağımsız hiper parametreler açıklanmaktadır.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
number_of_epochs |
Eğitim dönemlerinin sayısı. Pozitif bir tamsayı olmalıdır. |
15 (hariç yolov5 : 30) |
training_batch_size |
Eğitim toplu iş boyutu. Pozitif bir tamsayı olmalıdır. |
Çok sınıflı/çok etiketli: 78 (vit-varyantları dışında: vits16r224 : 128 vitb16r224 : 48 vitl16r224 :10)Nesne algılama: 2 (hariç yolov5 : 16) Örnek segmentasyonu: 2 Not: Varsayılanlar, 12 GiB GPU belleğinde kullanılabilen en büyük toplu iş boyutuna sahiptir. |
validation_batch_size |
Doğrulama toplu iş boyutu. Pozitif bir tamsayı olmalıdır. |
Çok sınıflı/çok etiketli: 78 (vit-varyantları dışında: vits16r224 : 128 vitb16r224 : 48 vitl16r224 :10)Nesne algılama: 1 (hariç yolov5 : 16) Örnek segmentasyonu: 1 Not: Varsayılanlar, 12 GiB GPU belleğinde kullanılabilen en büyük toplu iş boyutuna sahiptir. |
grad_accumulation_step |
Gradyan birikimi, bu adımların grad_accumulation_step gradyanlarını biriktirirken model ağırlıklarını güncelleştirmeden yapılandırılmış bir sayı çalıştırma ve ardından ağırlık güncelleştirmelerini hesaplamak için birikmiş gradyanları kullanma anlamına gelir. Pozitif bir tamsayı olmalıdır. |
1 |
early_stopping |
Eğitim sırasında erken durdurma mantığını etkinleştirin. 0 veya 1 olmalıdır. |
1 |
early_stopping_patience |
ile en az dönem veya doğrulama değerlendirmesi sayısı çalıştırma durdurulmadan önce birincil ölçüm geliştirmesi yapılmaz. Pozitif bir tamsayı olmalıdır. |
5 |
early_stopping_delay |
Beklenecek en az dönem veya doğrulama değerlendirmesi sayısı birincil ölçüm geliştirmesi erken durdurma için izlenmeden önce. Pozitif bir tamsayı olmalıdır. |
5 |
learning_rate |
İlk öğrenme oranı. [0, 1] aralığında bir float olmalıdır. |
Çok sınıflı: 0,01 (vit-varyantları dışında: vits16r224 : 0.0125vitb16r224 : 0.0125vitl16r224 : 0.001) Çoklu etiket: 0,035 (vit-varyantları dışında: vits16r224 : 0.025vitb16r224 : 0.025 vitl16r224 : 0.002) Nesne algılama: 0,005 (hariç yolov5 : 0,01) Örnek segmentasyonu: 0,005 |
lr_scheduler |
Öğrenme oranı zamanlayıcı türü. veya step olmalıdırwarmup_cosine . |
warmup_cosine |
step_lr_gamma |
Öğrenme hızı zamanlayıcı olduğunda gama değeri şeklindedir step .[0, 1] aralığında bir float olmalıdır. |
0,5 |
step_lr_step_size |
Öğrenme hızı zamanlayıcı olduğunda adım boyutunun değeri.step Pozitif bir tamsayı olmalıdır. |
5 |
warmup_cosine_lr_cycles |
Öğrenme hızı zamanlayıcı olduğunda kosinüs döngüsünün değeri.warmup_cosine [0, 1] aralığında bir float olmalıdır. |
0,45 |
warmup_cosine_lr_warmup_epochs |
Öğrenme hızı zamanlayıcı olduğunda ısınma dönemlerinin değeri.warmup_cosine Pozitif bir tamsayı olmalıdır. |
2 |
optimizer |
İyileştirici türü. , , adam adamw olmalıdırsgd . |
sgd |
momentum |
İyileştirici olduğunda momentum değeri.sgd [0, 1] aralığında bir float olmalıdır. |
0,9 |
weight_decay |
İyileştirici , adam veya adamw olduğunda sgd ağırlık bozulmasının değeri. [0, 1] aralığında bir float olmalıdır. |
1e-4 |
nesterov |
İyileştirici olduğunda sgd etkinleştirinnesterov . 0 veya 1 olmalıdır. |
1 |
beta1 |
beta1 İyileştirici veya adamw olduğunda değeriadam . [0, 1] aralığında bir float olmalıdır. |
0,9 |
beta2 |
beta2 İyileştirici veya adamw olduğunda değeriadam .[0, 1] aralığında bir float olmalıdır. |
0,999 |
amsgrad |
İyileştirici veya adamw olduğunda adam etkinleştirinamsgrad .0 veya 1 olmalıdır. |
0 |
evaluation_frequency |
Ölçüm puanlarını almak için doğrulama veri kümesini değerlendirme sıklığı. Pozitif bir tamsayı olmalıdır. |
1 |
checkpoint_frequency |
Model denetim noktalarını depolama sıklığı. Pozitif bir tamsayı olmalıdır. |
Doğrulamada en iyi birincil ölçüme sahip dönem denetim noktası. |
checkpoint_run_id |
Artımlı eğitim için önceden eğitilmiş bir denetim noktası olan denemenin çalıştırma kimliği. | varsayılan yok |
checkpoint_dataset_id |
Artımlı eğitim için önceden eğitilmiş denetim noktalarını içeren FileDataset Kimliği. ile birlikte checkpoint_dataset_id geçtiğine checkpoint_filename emin olun. |
varsayılan yok |
checkpoint_filename |
Artımlı eğitim için FileDataset'teki önceden eğitilmiş denetim noktası dosya adı. ile birlikte checkpoint_filename geçtiğine checkpoint_dataset_id emin olun. |
varsayılan yok |
layers_to_freeze |
Modeliniz için kaç katmanın donması gerekir? Örneğin, 2 değerini değeri seresnext olarak geçirmek, aşağıdaki desteklenen model katmanı bilgilerine başvuran katman0 ve katman1'in dondurulması anlamına gelir. Pozitif bir tamsayı olmalıdır. '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.'] |
varsayılan yok |
Görüntü sınıflandırması (çok sınıflı ve çok etiketli) özel hiper parametreler
Aşağıdaki tabloda, görüntü sınıflandırma (çok sınıflı ve çok etiketli) görevler için hiper parametreler özetlenmiştir.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
weighted_loss |
0 hiçbir kilo kaybı için. 1 sqrt ile ağırlıklı kayıp için. (class_weights) class_weights ile ağırlıklı kayıp için 2. 0, 1 veya 2 olmalıdır. |
0 |
valid_resize_size |
Notlar: seresnext rastgele bir boyut almaz. |
256 |
valid_crop_size |
Notlar: seresnext rastgele bir boyut almaz. train_crop_size değerleri aynı valid_crop_size olmalıdır. |
224 |
train_crop_size |
Notlar: seresnext rastgele bir boyut almaz. train_crop_size değerleri aynı valid_crop_size olmalıdır. |
224 |
Nesne algılama ve örnek segmentasyon görevine özgü hiper parametreler
Aşağıdaki hiper parametreler nesne algılama ve örnek segmentasyon görevlerine yöneliktir.
Uyarı
Bu parametreler algoritma ile yolov5
desteklenmez. Desteklenen hiper parametreler için yolov5
modele özgü hiper parametreler bölümüne bakın.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
validation_metric_type |
Doğrulama ölçümleri için kullanılacak ölçüm hesaplama yöntemi. , , coco voc veya coco_voc olmalıdırnone . |
voc |
validation_iou_threshold |
Doğrulama ölçümleri hesaplanırken kutu eşleştirmesi için IOU eşiği. [0,1, 1] aralığında bir float olmalıdır. |
0,5 |
min_size |
Omurgaya beslemeden önce yeniden ölçeklendirilecek görüntünün minimum boyutu. Pozitif bir tamsayı olmalıdır. Not: Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
600 |
max_size |
Omurgaya beslemeden önce yeniden ölçeklendirilecek görüntünün maksimum boyutu. Pozitif bir tamsayı olmalıdır. Not: Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
1333 |
box_score_thresh |
Çıkarım sırasında, yalnızca sınıflandırma puanı değerinden box_score_thresh büyük olan teklifleri döndürür. [0, 1] aralığında bir float olmalıdır. |
0.3 |
nms_iou_thresh |
Tahmin kafası için maksimum olmayan gizlemede (NMS) kullanılan IOU (birleşim üzerinde kesişim) eşiği. Çıkarım sırasında kullanılır. [0, 1] aralığında bir float olmalıdır. |
0,5 |
box_detections_per_img |
Tüm sınıflar için görüntü başına en fazla algılama sayısı. Pozitif bir tamsayı olmalıdır. |
100 |
tile_grid_size |
Her görüntüyü döşemek için kullanılacak kılavuz boyutu. Not: küçük nesne algılama mantığını etkinleştirmek için tile_grid_size Hiçbiri olmamalıdır Dize olarak geçirilen iki tamsayıdan oluşan bir demet. Örnek: --tile_grid_size "(3, 2)" |
Varsayılan Yok |
tile_overlap_ratio |
Her boyuttaki bitişik kutucuklar arasındaki çakışma oranı. [0, 1) aralığında kaydırılmalıdır |
0.25 |
tile_predictions_nms_thresh |
Kutucuklardan ve görüntüden tahminleri birleştirirken NMS gerçekleştirmek için kullanılacak IOU eşiği. Doğrulama/çıkarımda kullanılır. [0, 1] aralığında kaydırılmalıdır |
0.25 |
Sonraki adımlar
Python (önizleme) ile görüntü işleme modellerini eğitmek için AutoML'yi ayarlamayı öğrenin.
Öğretici: AutoML ve Python ile nesne algılama modelini (önizleme) eğitme.
Geri Bildirim
https://aka.ms/ContentUserFeedback.
Çok yakında: 2024 boyunca, içerik için geri bildirim mekanizması olarak GitHub Sorunları’nı kullanımdan kaldıracak ve yeni bir geri bildirim sistemiyle değiştireceğiz. Daha fazla bilgi için bkz.Gönderin ve geri bildirimi görüntüleyin