ImageModelSettingsObjectDetection Classe

ams_gradient

bool

Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ».

beta1

float

Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

beta2

float

Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1].

checkpoint_frequency

int

Fréquence de stockage des points de contrôle du modèle. Cette valeur doit être un entier positif.

checkpoint_run_id

str

ID d’une exécution précédente qui a un point de contrôle préentraîné pour l’entraînement incrémentiel.

distributed

bool

Indique s’il faut utiliser l’entraînement distribué.

early_stopping

bool

Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement.

early_stopping_delay

int

Nombre minimal d’époques ou d’évaluations de validation à attendre avant que l’amélioration des métriques principales soit suivie pour un arrêt précoce. Cette valeur doit être un entier positif.

early_stopping_patience

int

Nombre minimal d’époques ou d’évaluations de validation sans amélioration des métriques principales avant l’arrêt de l’exécution. Cette valeur doit être un entier positif.

enable_onnx_normalization

bool

Activez la normalisation lors de l’exportation du modèle ONNX.

evaluation_frequency

int

Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif.

gradient_accumulation_step

int

L’accumulation de dégradés signifie exécuter un nombre configuré d’étapes « GradAccumulationStep » sans mettre à jour les pondérations du modèle tout en accumulant les dégradés de ces étapes, puis utiliser les dégradés accumulés pour calculer les mises à jour de poids. Cette valeur doit être un entier positif.

layers_to_freeze

int

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, le fait de passer 2 comme valeur pour « seresnext » signifie figer layer0 et layer1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de la couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate

float

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1].

learning_rate_scheduler

str ou LearningRateScheduler

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». Les valeurs possibles sont les suivantes : « None », « WarmupCosine », « Step ».

model_name

str

Nom du modèle à utiliser pour l’entraînement. Pour plus d’informations sur les modèles disponibles, consultez la documentation officielle : https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1].

nesterov

bool

Activez nesterov lorsque l’optimiseur est « sgd ».

number_of_epochs

int

Nombre d’époques d’entraînement. Cette valeur doit être un entier positif.

number_of_workers

int

Nombre de workers du chargeur de données. Doit être un entier non négatif.

optimizer

str ou StochasticOptimizer

Type d’optimiseur. Les valeurs possibles sont les suivantes : « None », « Sgd », « Adam », « Adamw ».

random_seed

int

Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe.

step_lr_gamma

float

Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1].

step_lr_step_size

int

Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif.

training_batch_size

int

Taille du lot d’entraînement. Cette valeur doit être un entier positif.

validation_batch_size

int

Taille du lot de validation. Cette valeur doit être un entier positif.

warmup_cosine_lr_cycles

float

Valeur du cycle de cosinus lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Doit être un nombre à virgule flottante dans la plage [0, 1].

warmup_cosine_lr_warmup_epochs

int

Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif.

weight_decay

float

Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1].

box_detections_per_image

int

Nombre maximal de détections par image, pour toutes les classes. Cette valeur doit être un entier positif. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

box_score_threshold

float

Pendant l’inférence, retourne uniquement les propositions dont le score de classification est supérieur à BoxScoreThreshold. Doit être un float dans la plage[0, 1].

image_size

int

Taille d’image pour l’entraînement et la validation. Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut être intégrée à CUDA OOM si la taille est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ».

max_size

int

Taille maximale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

min_size

int

Taille minimale de l’image à remettre à l’échelle avant de l’alimenter à l’épine dorsale (backbone). Cette valeur doit être un entier positif. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille est trop grande. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

model_size

str ou ModelSize

Taille du modèle. Doit être « petit », « moyen », « grand ». Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la taille du modèle est trop grande. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ». Les valeurs possibles sont les suivantes : « None », « Small », « Medium », « Large », « ExtraLarge ».

multi_scale

bool

Activez l’image à plusieurs échelles en faisant varier la taille de l’image de +/- 50 %. Remarque : L’exécution de l’entraînement peut aboutir à un manque de mémoire de CUDA si la mémoire du GPU est insuffisante. Remarque : ces paramètres sont uniquement pris en charge pour l’algorithme « yolov5 ».

nms_iou_threshold

float

Seuil d’IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être un nombre à virgule flottante dans la plage [0, 1].

tile_grid_size

str

Taille de la grille à utiliser pour la mise en mosaïque de chaque image. Remarque : TileGridSize ne doit pas avoir la valeur None pour activer la logique de détection d’objets de petite taille. Chaîne contenant deux entiers au format mxn. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

tile_overlap_ratio

float

Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1). Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

tile_predictions_nms_threshold

float

Seuil IOU à utiliser pour effectuer une suppression non maximale tout en fusionnant les prédictions des mosaïques et de l’image. Utilisé dans la validation/l’inférence. Doit être float dans la plage [0, 1]. Remarque : ces paramètres ne sont pas pris en charge pour l’algorithme « yolov5 ».

validation_iou_threshold

float

Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1].

validation_metric_type

str ou ValidationMetricType

Méthode de calcul de métrique à utiliser pour les métriques de validation. Les valeurs possibles sont les suivantes : « None », « Coco », « Voc », « CocoVoc ».

log_training_metrics

str ou <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>

indique s’il faut ou non journaliser les métriques d’entraînement

log_validation_loss

str ou <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>

indique s’il faut enregistrer ou non la perte de validation