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 , voc vagy 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 , large vagy 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 : 128vitb16r224 : 48vitl16r224 :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 : 128vitb16r224 : 48vitl16r224 :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 : 0.0125vitb16r224 : 0.0125vitl16r224 : 0.001)Többcímke: 0,035 (a vit-variánsok kivételével: vits16r224 : 0.025vitb16r224 : 0.025vitl16r224 : 0.002)Objektumészlelés: 0.005 (kivéve yolov5 : 0,01)Példányszegmentálás: 0,005 |
learning_rate_scheduler |
A tanulási sebességütemező típusa. A vagy step a 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 , , adam adamw vagy 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 , adam vagy 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 adam adamw . A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. |
0,9 |
beta2 |
Az érték, beta2 ha az optimalizáló vagy adam adamw .A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie. |
0.999 |
ams_gradient |
Engedélyezze ams_gradient , ha az optimalizáló vagy adam adamw .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 mobilenetv2 kell lennie: , resnet34 resnet18 , resnet50 , resnet101 , , resnet152 , resnest50 , vits16r224 seresnext resnest101 , , . vitl16r224 vitb16r224 |
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_size training_crop_size és . - 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_size training_crop_size és . - 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_fpn fasterrcnn_resnet152_fpn fasterrcnn_resnet101_fpn fasterrcnn_resnet50_fpn egyikének yolov5 kell lennie. – Például a szegmentálási feladatnak az egyiknek maskrcnn_resnet18_fpn kell lennie, maskrcnn_resnet34_fpn , , , maskrcnn_resnet50_fpn , maskrcnn_resnet101_fpn maskrcnn_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 , voc vagy 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 |