Hiperparaméterek számítógépes látási feladatokhoz az automatizált gépi tanulásban

A KÖVETKEZŐKRE VONATKOZIK:Azure CLI ml-bővítmény v2 (aktuális)Python SDK azure-ai-ml v2 (aktuális)

Megtudhatja, hogy mely hiperparaméterek érhetők el kifejezetten számítógépes látástechnológiai feladatokhoz automatizált gépi tanulási kísérletekben.

A számítógépes látástechnológiai feladatok támogatásával vezérelheti a modellarchitektúrát, és átveheti a hiperparamétereket. Ezek a modellarchitektúrák és hiperparaméterek a takarítás paraméterterületeként lesznek átadva. Bár a közzétett hiperparaméterek közül sok modellfüggetlen, vannak olyan példányok, ahol a hiperparaméterek modellspecifikusak vagy feladatspecifikusak.

Modellspecifikus hiperparaméterek

Ez a táblázat az architektúrára yolov5 jellemző hiperparamétereket foglalja össze.

Paraméter neve	Leírás	Alapértelmezett
validation_metric_type	Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A lehet none, coco, vocvagy coco_voc.	voc
validation_iou_threshold	Az érvényesítési metrikák kiszámításakor a dobozegyezés IOU-küszöbértéke. A(z) [0.1, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,5
image_size	Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	640
model_size	Modell mérete. A lehet small, medium, largevagy extra_large. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy.	medium
multi_scale	Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%- kal történő változásával 0-nak vagy 1-nek kell lennie. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória.	0
box_score_threshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek pontszáma nagyobb, mint box_score_threshold. A pontszám az objektumérték és a besorolási valószínűség szorzása. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0.1
nms_iou_threshold	A dedukció során használt IOU-küszöbérték a feldolgozást követő, nem maximális mellőzés esetén. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,5
tile_grid_size	Az egyes képek burkolásához használandó rácsméret. Megjegyzés: tile_grid_size nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez Sztringként "3x2" formátumban kell átadni. Példa: --tile_grid_size '3x2'	Nincs alapértelmezett
tile_overlap_ratio	Átfedési arány az egyes dimenziók szomszédos csempéi között. A lebegtetésnek [0, 1) tartományban kell lennie	0,25
tile_predictions_nms_threshold	Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A lebegtetésnek [0, 1] tartományban kell lennie	0,25

Ez a táblázat a példányszegmentációra jellemző hiperparamétereket foglalja össze a maskrcnn_* következtetés során.

Paraméter neve	Leírás	Alapértelmezett
mask_pixel_score_threshold	Pontkivágás egy képpontnak az objektum maszkjának részeként történő figyelembe vételéhez.	0,5
max_number_of_polygon_points	Az (x, y) koordinátapárok maximális száma sokszögben a maszkból való átalakítás után.	100
export_as_image	Maszkok exportálása képként.	Hamis
image_type	A maszkot exportálni kívánt kép típusa (a beállítások jpg, png, bmp).	JPG

Modellfüggetlen hiperparaméterek

Az alábbi táblázat a modellfüggetlen hiperparamétereket ismerteti.

Paraméter neve	Leírás	Alapértelmezett
number_of_epochs	A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.	15 (kivéve yolov5: 30)
training_batch_size	Betanítási köteg mérete. Pozitív egész számnak kell lennie.	Többosztályos/többcímkés: 78 (a vit-variánsok kivételével: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Objektumészlelés: 2 (kivéve yolov5: 16) Példányszegmentálás: 2 Megjegyzés: Az alapértelmezett érték a legnagyobb kötegméret, amely 12 GiB GPU-memórián használható.
validation_batch_size	Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.	Többosztályos/többcímkés: 78 (a vit-variánsok kivételével: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Objektumészlelés: 1 (kivéve yolov5: 16) Példányszegmentálás: 1 Megjegyzés: Az alapértelmezett érték a legnagyobb kötegméret, amely 12 GiB GPU-memórián használható.
gradient_accumulation_step	A színátmenetek felhalmozódása gradient_accumulation_step azt jelenti, hogy a modell súlyainak frissítése nélkül futtat egy konfigurált számot, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmenetek használatával kiszámítja a súlyfrissítéseket. Pozitív egész számnak kell lennie.	1
early_stopping	Korai leállítási logika engedélyezése a betanítás során. 0-nak vagy 1-nek kell lennie.	1
early_stopping_patience	Alapidőszakok vagy érvényesítési értékelések minimális száma a következővel: nincs elsődleges metrikafejlesztés a futtatás leállítása előtt. Pozitív egész számnak kell lennie.	5
early_stopping_delay	A várakozáshoz szükséges alapidőszakok vagy érvényesítési értékelések minimális száma az elsődleges metrika javításának nyomon követése előtt a korai leállítás érdekében. Pozitív egész számnak kell lennie.	5
learning_rate	Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	Többosztályos: 0,01 (a vit-variánsok kivételével: vits16r224: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) Többcímke: 0,035 (a vit-variánsok kivételével: vits16r224: 0.025 vitb16r224: 0.025 vitl16r224: 0.002) Objektumészlelés: 0.005 (kivéve yolov5: 0,01) Példányszegmentálás: 0,005
learning_rate_scheduler	A tanulási sebességütemező típusa. A vagy stepa lehetwarmup_cosine.	warmup_cosine
step_lr_gamma	A gamma értéke, ha a tanulási sebességütemező értéke step. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,5
step_lr_step_size	A lépésméret értéke, ha a tanulási sebességütemező értéke step. Pozitív egész számnak kell lennie.	5
warmup_cosine_lr_cycles	A koszinuszciklus értéke, ha a tanulási sebességütemező értéke warmup_cosine. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,45
warmup_cosine_lr_warmup_epochs	A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező értéke warmup_cosine. Pozitív egész számnak kell lennie.	2
optimizer	Az optimalizáló típusa. Vagy , , adamadamwvagy lehetsgd.	sgd
momentum	A lendület értéke, ha az optimalizáló értéke sgd. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,9
weight_decay	A súlyromlás értéke, ha az optimalizáló értéke sgd, adamvagy adamw. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	1e-4
nesterov	Akkor engedélyezzenesterov, ha az optimalizáló .sgd 0-nak vagy 1-nek kell lennie.	1
beta1	Az érték, beta1 ha az optimalizáló vagy adamadamw. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0,9
beta2	Az érték, beta2 ha az optimalizáló vagy adamadamw. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.	0.999
ams_gradient	Engedélyezze ams_gradient , ha az optimalizáló vagy adamadamw. 0-nak vagy 1-nek kell lennie.	0
evaluation_frequency	Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.	1
checkpoint_frequency	A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.	Ellenőrzőpont az alapidőszakban az ellenőrzéshez legjobb elsődleges metrikával.
checkpoint_run_id	A növekményes betanításhoz előre betanított ellenőrzőponttal rendelkező kísérlet futtatási azonosítója.	nincs alapértelmezett
layers_to_freeze	Hány réteget kell rögzíteni a modellhez. Ha például a 2 értéket seresnext a 0. réteg és az 1. réteg zárolását jelenti, az alábbi támogatott modellréteg-adatokra hivatkozik. Pozitív egész számnak kell lennie. - '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.']	nincs alapértelmezett

Képbesorolás (többosztályos és többcímkés) specifikus hiperparaméterek

Az alábbi táblázat a képosztályozási (többosztályos és többcímkés) feladatok hiperparmétereit foglalja össze.

Paraméter neve	Leírás	Alapértelmezett
model_name	A képbesorolási feladathoz használandó modellnév. A következők egyikének mobilenetv2kell lennie: , resnet34resnet18, resnet50, resnet101, , resnet152, resnest50, vits16r224seresnextresnest101, , . vitl16r224vitb16r224	seresnext
weighted_loss	- 0 súlyozás nélkül. - 1 súlyozott veszteség sqrt. (class_weights) - 2 a súlyozott veszteség class_weights. - 0 vagy 1 vagy 2 lehet.	0
validation_resize_size	– Képméret, amelyre az érvényesítési adathalmaz körülvágása előtt átméretezendő. - Pozitív egész számnak kell lennie. Megjegyzések: - seresnext nem vesz fel tetszőleges méretet. - A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	256
validation_crop_size	– Képvágás mérete, amely a neurális hálózatba van beállítva az érvényesítési adatkészlethez. - Pozitív egész számnak kell lennie. Megjegyzések: - seresnext nem vesz fel tetszőleges méretet. - A ViT-variánsoknak azonosnak validation_crop_sizetraining_crop_sizeés . - A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	224
training_crop_size	– Képvágási méret, amely a neurális hálózat bemenete az adathalmaz betanításához. - Pozitív egész számnak kell lennie. Megjegyzések: - seresnext nem vesz fel tetszőleges méretet. - A ViT-variánsoknak azonosnak validation_crop_sizetraining_crop_sizeés . - A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	224

Objektumészlelés és példányszegmentálási feladatspecifikus hiperparaméterek

Az alábbi hiperparaméterek objektumészlelési és példányszegmentálási feladatokhoz használhatók.

Figyelmeztetés

Ezeket a paramétereket az architektúra nem támogatja yolov5 . A támogatott hiperparméterekért yolov5 tekintse meg a modellspecifikus hiperparaméterek szakaszt.

Paraméter neve	Leírás	Alapértelmezett
model_name	A képbesorolási feladathoz használandó modellnév. - Objektumészlelési feladat esetén a , , fasterrcnn_resnet18_fpn, fasterrcnn_resnet34_fpn, retinanet_resnet50_fpnfasterrcnn_resnet152_fpnfasterrcnn_resnet101_fpnfasterrcnn_resnet50_fpnegyikének yolov5kell lennie. – Például a szegmentálási feladatnak az egyiknek maskrcnn_resnet18_fpnkell lennie, maskrcnn_resnet34_fpn, , , maskrcnn_resnet50_fpn, maskrcnn_resnet101_fpnmaskrcnn_resnet152_fpn	– Objektumészlelési feladat esetén: fasterrcnn_resnet50_fpn – Példányszegmentálási feladat esetén: maskrcnn_resnet50_fpn
validation_metric_type	Az érvényesítési metrikákhoz használható metrikaszámítási módszer. A lehet none, coco, vocvagy coco_voc.	voc
validation_iou_threshold	A dobozegyeztetés IOU-küszöbértéke az érvényesítési metrikák kiszámításakor. A(z) [0,1, 1] tartományban lebegőpontosnak kell lennie.	0,5
min_size	Az újraskálázandó kép minimális mérete, mielőtt betáplálnák a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	600
max_size	Az újraskálázandó kép maximális mérete, mielőtt betáplálta volna a gerinchez. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy.	1333
box_score_threshold	A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint box_score_threshold. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	0.3
nms_iou_threshold	Az előrejelzési fejhez a nem maximális elnyomásban (NMS) használt IOU-küszöbérték (union over union) küszöbértéke. A következtetés során használatos. A(z) [0, 1] tartományban lebegőpontosnak kell lennie.	0,5
box_detections_per_image	Az észlelések maximális száma képenként az összes osztály esetében. Pozitív egész számnak kell lennie.	100
tile_grid_size	Az egyes képek burkolásához használandó rácsméret. - tile_grid_size A kis objektumészlelési logika engedélyezéséhez nem lehet Nincs. - tile_grid_size a példányszegmentálási feladatok esetében nem támogatott. "3x2" formátumú sztringként kell átadni. Példa: --tile_grid_size '3x2'	Nincs alapértelmezett
tile_overlap_ratio	Átfedési arány a szomszédos csempék között az egyes dimenziókban. A(z) [0, 1) tartományban kell lebegnie	0,25
tile_predictions_nms_threshold	Az NMS végrehajtásához használandó IOU-küszöbérték a csempék és a rendszerképek előrejelzéseinek egyesítése során. Ellenőrzéshez/ következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie	0,25

Következő lépések

• Megtudhatja, hogyan állíthatja be az AutoML-t a számítógépes látásmodellek Pythonnal való betanítása érdekében.

• Oktatóanyag: Objektumészlelési modell betanítása az AutoML és a Python használatával.