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. , , cocovocveya coco_vocolmalıdırnone.	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. , , mediumlargeveya extra_largeolmalıdırsmall. 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_thresholdbüyük 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: 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.
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: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) Çoklu etiket: 0,035 ( vit-varyantları dışında: vits16r224: 0.025 vitb16r224: 0.025 vitl16r224: 0.002) Nesne algılama: 0,005 (hariç yolov5: 0,01) Örnek segmentasyonu: 0,005
learning_rate_scheduler	Öğrenme hızı zamanlayıcısının türü. veya stepolmalıdırwarmup_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. , , adamadamwolmalıdırsgd.	sgd
momentum	İyileştirici olduğunda momentum değeri.sgd [0, 1] aralığında bir float olmalıdır.	0,9
weight_decay	İyileştirici , adamveya adamwolduğunda sgdağırlık bozulmasının değeri. [0, 1] aralığında bir float olmalıdır.	1e-4
nesterov	İyileştirici olduğunda sgdetkinleştirinnesterov. 0 veya 1 olmalıdır.	1
beta1	beta1 İyileştirici veya adamwolduğunda adam değeri. [0, 1] aralığında bir float olmalıdır.	0,9
beta2	beta2 İyileştirici veya adamwolduğunda adam değeri. [0, 1] aralığında bir float olmalıdır.	0.999
ams_gradient	İyileştirici veya adamwolduğunda 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, vits16r224seresnext, vitb16r224vitl16r224.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 yolov5modele 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_fpnolmalıdırmaskrcnn_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. , , cocovocveya coco_vocolmalıdırnone.	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_thresholdbüyük 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_sizeküçük 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

Sonraki adımlar

• Python ile görüntü işleme modellerini eğitmek için AutoML'yi ayarlamayı öğrenin.

• Öğretici: AutoML ve Python ile nesne algılama modelini eğitin.