ImageObjectDetectionSearchSpace Classe

beta1

float ou <xref:azure.ai.ml.entities.SweepDistribution>

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

beta2

float ou <xref:azure.ai.ml.entities.SweepDistribution>

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

distributed

bool ou <xref:azure.ai.ml.entities.SweepDistribution>

Indique s’il faut utiliser l’entraînement du répartiteur.

early_stopping

bool ou <xref:azure.ai.ml.entities.SweepDistribution>

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

early_stopping_delay

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

early_stopping_patience

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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

evaluation_frequency

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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 en utilisant les dégradés accumulés pour calculer les mises à jour de pondération. Cette valeur doit être un entier positif.

layers_to_freeze

int ou <xref:azure.ai.ml.entities.SweepDistribution>

Nombre de couches à figer pour le modèle. Cette valeur doit être un entier positif. Pour instance, passer 2 comme valeur pour « seresnext » signifie geler les couches 0 et 1. Pour obtenir la liste complète des modèles pris en charge et des détails sur le gel de couche, consultez : https://docs.microsoft.com/en-us/azure/machine-learning/reference-automl-images-hyperparameters#model-agnostic-hyperparameters. # pylint : disable=line-too-long

learning_rate

Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. :type learning_rate : float ou ~azure.ai.ml.entities.SweepDistribution

learning_rate_scheduler

str ou <xref:azure.ai.ml.entities.SweepDistribution>

Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « step ».

model_name

str ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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

nesterov

bool ou <xref:azure.ai.ml.entities.SweepDistribution>

Activez nesterov lorsque l’optimiseur est « sgd ».

number_of_epochs

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

number_of_workers

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

optimizer

str ou <xref:azure.ai.ml.entities.SweepDistribution>

Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ».

random_seed

int ou <xref:azure.ai.ml.entities.SweepDistribution>

Graines aléatoires à utiliser lors de l’utilisation de l’entraînement déterministe.

step_lr_gamma

float ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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

training_batch_size

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

validation_batch_size

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

warmup_cosine_lr_cycles

float ou <xref:azure.ai.ml.entities.SweepDistribution>

Valeur du cycle 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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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

weight_decay

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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

box_detections_per_image

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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 ou <xref:azure.ai.ml.entities.SweepDistribution>

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

max_size

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 ». :type max_size : int ou ~azure.ai.ml.entities.SweepDistribution

min_size

int ou <xref:azure.ai.ml.entities.SweepDistribution>

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 <xref:azure.ai.ml.entities.SweepDistribution>

Taille du modèle. Doit être « small », « medium », « large » ou « extra_large ». 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 ».

multi_scale

bool ou <xref:azure.ai.ml.entities.SweepDistribution>

Activez l’image à plusieurs échelles en variant 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 ou <xref:azure.ai.ml.entities.SweepDistribution>

Seuil d’IOU utilisé pendant l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1].

tile_grid_size

str ou <xref:azure.ai.ml.entities.SweepDistribution>

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 de petits objets. Chaîne contenant deux entiers au format mxn.

tile_overlap_ratio

float ou <xref:azure.ai.ml.entities.SweepDistribution>

Ratio de chevauchement entre les mosaïques adjacentes dans chaque dimension. Doit être float dans la plage [0, 1).

tile_predictions_nms_threshold

float ou <xref:azure.ai.ml.entities.SweepDistribution>

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]. NMS : suppression non maximale.

validation_iou_threshold

float ou <xref:azure.ai.ml.entities.SweepDistribution>

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 <xref:azure.ai.ml.entities.SweepDistribution>

Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ».