Share via

ImageModelSettingsObjectDetection Osztály

  • Referencia

Az AutoML-lemezképobjektum-észlelési feladat modellbeállításai.

Öröklődés
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettings
ImageModelSettingsObjectDetection

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

advanced_settings
str
Kötelező

Speciális forgatókönyvek beállításai.

ams_gradient
bool
Kötelező

Engedélyezze az AMSGradt, ha az optimalizáló "adam" vagy "adamw".

beta1
float
Kötelező

A "beta1" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

beta2
float
Kötelező

A "beta2" értéke, ha az optimalizáló "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

checkpoint_frequency
int
Kötelező

A modell ellenőrzőpontjainak tárolási gyakorisága. Pozitív egész számnak kell lennie.

checkpoint_run_id
str
Kötelező

Egy korábbi futtatás azonosítója, amely előre betanított ellenőrzőponttal rendelkezik a növekményes betanításhoz.

distributed
bool
Kötelező

Elosztott betanítás használata.

early_stopping
bool
Kötelező

Korai leállítási logika engedélyezése a betanítás során.

early_stopping_delay
int
Kötelező

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
Kötelező

Az alapidőszakok vagy az érvényesítési értékelések minimális száma elsődleges metrikajavítás nélkül a futtatás leállítása előtt. Pozitív egész számnak kell lennie.

enable_onnx_normalization
bool
Kötelező

Engedélyezze a normalizálást az ONNX-modell exportálásakor.

evaluation_frequency
int
Kötelező

Az érvényesítési adatkészlet kiértékelésének gyakorisága a metrikapontszámok lekéréséhez. Pozitív egész számnak kell lennie.

gradient_accumulation_step
int
Kötelező

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
Kötelező

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
Kötelező

Kezdeti tanulási arány. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

learning_rate_scheduler
str vagy LearningRateScheduler
Kötelező

A tanulási sebességütemező típusa. "warmup_cosine" vagy "lépés" lehet. Lehetséges értékek: "None", "WarmupCosine", "Step".

model_name
str
Kötelező

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
Kötelező

A lendület értéke, ha az optimalizáló "sgd". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

nesterov
bool
Kötelező

Engedélyezze a nesterovot, ha az optimalizáló "sgd".

number_of_epochs
int
Kötelező

A betanítási alapidőszakok száma. Pozitív egész számnak kell lennie.

number_of_workers
int
Kötelező

Adatbetöltő feldolgozók száma. Nem negatív egész számnak kell lennie.

optimizer
str vagy StochasticOptimizer
Kötelező

Az optimalizáló típusa. Lehetséges értékek: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Kötelező

Determinisztikus betanításhoz használandó véletlenszerű mag.

step_lr_gamma
float
Kötelező

A gamma értéke, ha a tanulási sebességütemező "lépés". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

step_lr_step_size
int
Kötelező

A lépésméret értéke, ha a tanulási sebességütemező "lépés". Pozitív egész számnak kell lennie.

training_batch_size
int
Kötelező

Betanítási köteg mérete. Pozitív egész számnak kell lennie.

validation_batch_size
int
Kötelező

Érvényesítési köteg mérete. Pozitív egész számnak kell lennie.

warmup_cosine_lr_cycles
float
Kötelező

A koszinuszciklus értéke, ha a tanulási sebességütemező "warmup_cosine". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

warmup_cosine_lr_warmup_epochs
int
Kötelező

A bemelegítési alapidőszakok értéke, ha a tanulási sebességütemező "warmup_cosine". Pozitív egész számnak kell lennie.

weight_decay
float
Kötelező

A súlyromlás értéke, ha az optimalizáló "sgd", "adam" vagy "adamw". A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

box_detections_per_image
int
Kötelező

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
Kötelező

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
Kötelező

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
Kötelező

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
Kötelező

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.

model_size
str vagy ModelSize
Kötelező

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
Kötelező

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
Kötelező

Az NMS utófeldolgozása során a következtetés során használt IOU-küszöbérték. A(z) [0, 1] tartományban lebegő lebegőpontosnak kell lennie.

tile_grid_size
str
Kötelező

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
Kötelező

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
Kötelező

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
Kötelező

Az érvényesítési metrikák kiszámításához használandó IOU-küszöbérték. A(z) [0, 1] tartományban kell lebegnie.

validation_metric_type
str vagy ValidationMetricType
Kötelező

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>
Kötelező

azt jelzi, hogy naplózza-e a betanítási metrikákat

log_validation_loss
str vagy <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Kötelező

azt jelzi, hogy naplózni kell-e az érvényesítési veszteséget