Otomatik makine öğrenmesindeki görüntü işleme görevleri için hiper parametreler
ŞUNLAR IÇIN GEÇERLIDIR:Azure CLI ml uzantısı v2 (geçerli)Python SDK azure-ai-ml v2 (geçerli)
Otomatik ML denemelerinde özellikle görüntü işleme görevleri için hangi hiper parametrelerin kullanılabilir olduğunu öğrenin.
Görüntü işleme görevlerine yönelik destek sayesinde model mimarisini denetleyebilir ve hiper parametreleri süpürebilirsiniz. Bu model mimarileri 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 mimariye yolov5
özgü hiper parametreler özetlenmektedir.
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 ölçümlerini hesaplama sırasında kutu eşleştirme için IOU eşiği. [0.1, 1] aralığında bir float olmalıdır. |
0,5 |
image_size |
Eğitim ve doğrulama için görüntü boyutu. Pozitif bir tamsayı olmalıdır. Not: Boyut çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
640 |
model_size |
Model boyutu. , , medium large veya extra_large 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_threshold |
Çıkarım sırasında, yalnızca değerinden box_score_threshold büyük puana sahip teklifleri döndürür. Puan, nesnelik puanının çarpması ve sınıflandırma olasılığıdır. [0, 1] aralığında bir float olmalıdır. |
0.1 |
nms_iou_threshold |
İşlem sonrasında maksimum olmayan gizlemede 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 '3x2' biçiminde bir dize olarak geçirilmelidir. Örnek: --tile_grid_size '3x2' |
Varsayılan Yok |
tile_overlap_ratio |
Her boyuttaki bitişik kutucuklar arasındaki çakışma oranı. [0, 1) aralığında kaydırılmalıdır |
0,25 |
tile_predictions_nms_threshold |
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 kesme 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. | Yanlış |
image_type |
Maskenin dışarı aktarılması için resim türü (seçenekler jpg, png, bmp'tir). | JPG |
Model bağımsız 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 : 128vitb16r224 : 48vitl16r224 :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 : 128vitb16r224 : 48vitl16r224 :10)Nesne algılama: 1 (hariç yolov5 : 16)Örnek segmentasyonu: 1 Not: Varsayılanlar, 12 GiB GPU belleğinde kullanılabilen en büyük toplu iş boyutuna sahiptir. |
gradient_accumulation_step |
Gradyan birikmesi, bu adımların gradient_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 sayısı veya doğrulama değerlendirmesi çalıştırma durdurulmadan önce birincil ölçüm geliştirmesi yapılmaz. Pozitif bir tamsayı olmalıdır. |
5 |
early_stopping_delay |
Beklenecek en az dönem sayısı veya doğrulama değerlendirmeleri 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 : 0.025vitl16r224 : 0.002)Nesne algılama: 0,005 (hariç yolov5 : 0,01)Örnek segmentasyonu: 0,005 |
learning_rate_scheduler |
Öğrenme hızı zamanlayıcısının türü. veya step olmalıdırwarmup_cosine . |
warmup_cosine |
step_lr_gamma |
Öğrenme hızı zamanlayıcı olduğunda gama değeri.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 adam değeri. [0, 1] aralığında bir float olmalıdır. |
0,9 |
beta2 |
beta2 İyileştirici veya adamw olduğunda adam değeri.[0, 1] aralığında bir float olmalıdır. |
0.999 |
ams_gradient |
İyileştirici veya adamw olduğunda adam etkinleştirinams_gradient .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 noktasına sahip denemenin çalıştırma kimliği. | 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'i dondurma 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 sınıflandırmasına (çok sınıflı ve çok etiketli) özgü hiper parametreler
Aşağıdaki tabloda, görüntü sınıflandırma (çok sınıflı ve çok etiketli) görevler için hiper parametreler özetlemektedir.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
model_name |
Eldeki görüntü sınıflandırma görevi için kullanılacak model adı. , , resnet18 , , resnet34 , , resnet50 , resnet101 , resnet152 , resnest50 , resnest101 , vits16r224 seresnext , vitb16r224 vitl16r224 .mobilenetv2 |
seresnext |
weighted_loss |
- Ağırlıksız kayıp için 0. - Sqrt ile ağırlıklı kayıp için 1. (class_weights) - class_weights ile ağırlıklı kayıp için 2. - 0 veya 1 veya 2 olmalıdır. |
0 |
validation_resize_size |
- Doğrulama veri kümesi için kırpmadan önce yeniden boyutlandırılan görüntü boyutu. - Pozitif bir tamsayı olmalıdır. Notlar: - seresnext rastgele bir boyut almaz. - Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
256 |
validation_crop_size |
- Doğrulama veri kümesi için sinir ağınıza giriş olan görüntü kırpma boyutu. - Pozitif bir tamsayı olmalıdır. Notlar: - seresnext rastgele bir boyut almaz. - ViT varyantları ile aynı validation_crop_size olmalıdır training_crop_size . - Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
224 |
training_crop_size |
- Veri kümesini eğitmek için sinir ağınıza giriş olan görüntü kırpma boyutu. - Pozitif bir tamsayı olmalıdır. Notlar: - seresnext rastgele bir boyut almaz. - ViT varyantları ile aynı validation_crop_size olmalıdır training_crop_size . - Boyutu çok büyükse eğitim çalıştırması CUDA OOM'a alınabilir. |
224 |
Nesne algılama ve örnek segmentlere ayırma görevine özgü hiper parametreler
Aşağıdaki hiper parametreler nesne algılama ve örnek segmentlere ayırma görevlerine yöneliktir.
Uyarı
Bu parametreler mimaride yolov5
desteklenmez. Desteklenen hiper parametreler için yolov5
modele özgü hiper parametreler bölümüne bakın.
Parametre adı | Açıklama | Varsayılan |
---|---|---|
model_name |
Eldeki görüntü sınıflandırma görevi için kullanılacak model adı. - Nesne algılama görevi için , yolov5 , fasterrcnn_resnet18_fpn , fasterrcnn_resnet34_fpn , fasterrcnn_resnet50_fpn , fasterrcnn_resnet101_fpn , , fasterrcnn_resnet152_fpn , retinanet_resnet50_fpn . - Örnek segmentasyon görevi için , , maskrcnn_resnet34_fpn , maskrcnn_resnet50_fpn , maskrcnn_resnet101_fpn , görevlerinden biri maskrcnn_resnet18_fpn olmalıdırmaskrcnn_resnet152_fpn |
- Nesne algılama görevi için, fasterrcnn_resnet50_fpn - Örneğin segmentlere ayırma görevi için, maskrcnn_resnet50_fpn |
validation_metric_type |
Doğrulama ölçümleri için kullanılacak ölçüm hesaplama yöntemi. , , coco voc veya coco_voc olmalıdırnone . |
voc |
validation_iou_threshold |
Doğrulama ölçümleri hesaplanırken kutu eşleştirme 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: Boyut çok büyükse eğitim çalıştırması CUDA OOM'a gelebilir. |
600 |
max_size |
Omurgaya beslemeden önce yeniden ölçeklendirilecek görüntünün maksimum boyutu. Pozitif bir tamsayı olmalıdır. Not: Boyut çok büyükse eğitim çalıştırması CUDA OOM'a gelebilir. |
1333 |
box_score_threshold |
Çıkarım sırasında, yalnızca sınıflandırma puanı değerinden box_score_threshold büyük olan teklifleri döndürür. [0, 1] aralığında bir float olmalıdır. |
0.3 |
nms_iou_threshold |
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_image |
Tüm sınıflar için görüntü başına en fazla algılama sayısı. Pozitif bir tamsayı olmalıdır. |
100 |
tile_grid_size |
Her görüntüyü döşemek için kullanılacak kılavuz boyutu. - tile_grid_size küçük nesne algılama mantığını etkinleştirmek için Hiçbiri olmamalıdır.- tile_grid_size örnek segmentasyon görevleri için desteklenmez.'3x2' biçiminde bir dize olarak geçirilmelidir. Örnek: --tile_grid_size '3x2' |
Varsayılan Yok |
tile_overlap_ratio |
Her boyuttaki bitişik kutucuklar arasındaki çakışma oranı. [0, 1) aralığında kaydırılmalıdır |
0,25 |
tile_predictions_nms_threshold |
Kutucuklardan ve görüntüden tahminleri birleştirirken NMS gerçekleştirmek için kullanılacak IOU eşiği. Doğrulama/çıkarımda kullanılır. [0, 1] aralığında kaydırılmalıdır |
0,25 |