ImageModelSettingsObjectDetection Osztály
Az AutoML-lemezképobjektum-észlelési feladat modellbeállításai.
- Öröklődés
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
Konstruktor
ImageModelSettingsObjectDetection(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, box_detections_per_image: int | None = None, box_score_threshold: float | None = None, image_size: int | None = None, max_size: int | None = None, min_size: int | None = None, model_size: ModelSize | None = None, multi_scale: bool | None = None, nms_iou_threshold: float | None = None, tile_grid_size: str | None = None, tile_overlap_ratio: float | None = None, tile_predictions_nms_threshold: float | None = None, validation_iou_threshold: float | None = None, validation_metric_type: ValidationMetricType | None = None, log_training_metrics: LogTrainingMetrics | None = None, log_validation_loss: LogValidationLoss | None = None, **kwargs)
Paraméterek
- beta1
- float
A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- beta2
- float
A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- checkpoint_frequency
- int
A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.
- checkpoint_run_id
- str
Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.
- early_stopping_delay
- int
Az alapidőszakok vagy érvényesítési értékelések minimális száma, amíg az elsődleges metrikafejlesztés nyomon követése meg nem történik a korai leállításig. Pozitív egész számnak kell lennie.
- early_stopping_patience
- int
Az alapidőszakok vagy az érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállítása előtt. Pozitív egész számnak kell lennie.
- evaluation_frequency
- int
Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.
- gradient_accumulation_step
- int
A színátmenet felhalmozódása azt jelenti, hogy konfigurált számú "GradAccumulationStep" lépést futtat a modell súlyainak frissítése nélkül, miközben a lépések színátmeneteit gyűjti össze, majd a halmozott színátmeneteket használja a súlyfrissítések kiszámításához. Pozitív egész számnak kell lennie.
- layers_to_freeze
- int
A modellhez rögzítendő rétegek száma. Pozitív egész számnak kell lennie. A 2 értéknek a "seresnext" értékként való átadása például a 0. réteg és az 1. réteg befagyasztását jelenti. A támogatott modellek teljes listájáért és a rétegfagyasztás részleteiért lásd: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- learning_rate_scheduler
- str vagy LearningRateScheduler
A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. Lehetséges értékek: "None", "WarmupCosine", "Step".
- model_name
- str
A betanításhoz használandó modell neve. Az elérhető modellekkel kapcsolatos további információkért tekintse meg a hivatalos dokumentációt: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- number_of_workers
- int
Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.
- optimizer
- str vagy StochasticOptimizer
Az optimalizáló típusa. Lehetséges értékek: "None", "Sgd", "Adam", "Adamw".
- step_lr_gamma
- float
A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- step_lr_step_size
- int
A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.
- warmup_cosine_lr_cycles
- float
A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- warmup_cosine_lr_warmup_epochs
- int
A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.
- weight_decay
- float
A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- box_detections_per_image
- int
Az észlelések maximális száma képenként az összes osztályhoz. Pozitív egész számnak kell lennie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
- box_score_threshold
- float
A következtetés során csak olyan javaslatokat ad vissza, amelyek besorolási pontszáma nagyobb, mint a BoxScoreThreshold. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- image_size
- int
Képméret betanítása és érvényesítése céljából. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
- max_size
- int
Az újraskálázandó kép maximális mérete, mielőtt a gerinchez adnák. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
- min_size
- int
Az újraskálázandó kép minimális mérete, mielőtt a gerinchez eteti. Pozitív egész számnak kell lennie. Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a méret túl nagy. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
Modell mérete. A következőknek kell lenniük: "kicsi", "közepes", "nagy". Megjegyzés: A betanítási futtatás a CUDA OOM-ba kerülhet, ha a modell mérete túl nagy. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott. Lehetséges értékek: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Több léptékű rendszerkép engedélyezése a kép méretének +/- 50%-os eltérésével. Megjegyzés: A betanítási futtatás akkor kerülhet be a CUDA OOM-ba, ha nincs elegendő GPU-memória. Megjegyzés: Ez a beállítás csak a "yolov5" algoritmus esetében támogatott.
- nms_iou_threshold
- float
Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.
- tile_grid_size
- str
Az egyes képek burkolásához használandó rácsméret. Megjegyzés: A TileGridSize nem lehet Nincs a kis objektumészlelési logika engedélyezéséhez. Két egész számot tartalmazó sztring mxn formátumban. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
- tile_overlap_ratio
- float
Átfedési arány az egyes dimenziók szomszédos csempéi között. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
- tile_predictions_nms_threshold
- float
Az NMS végrehajtásához használandó IOU-küszöbérték csempékből és képekből származó előrejelzések egyesítése során. Az ellenőrzéshez/következtetéshez használatos. A(z) [0, 1] tartományban kell lebegnie. Megjegyzés: Ez a beállítás nem támogatott a "yolov5" algoritmus esetében.
- validation_iou_threshold
- float
Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.
- validation_metric_type
- str vagy ValidationMetricType
Az érvényesítési metrikákhoz használandó metrikaszámítási módszer. A lehetséges értékek a következők: "Nincs", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str vagy <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
azt jelzi, hogy naplózza-e a betanítási metrikákat
- log_validation_loss
- str vagy <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
azt jelzi, hogy naplózni kell-e az érvényesítési veszteséget
Azure SDK for Python
Visszajelzés
https://aka.ms/ContentUserFeedback.
Hamarosan elérhető: 2024-ben fokozatosan kivezetjük a GitHub-problémákat a tartalom visszajelzési mechanizmusaként, és lecseréljük egy új visszajelzési rendszerre. További információ:Visszajelzés küldése és megtekintése a következőhöz: