ImageModelSettingsObjectDetection Класс

  • Ссылка

Параметры модели для задачи обнаружения объектов изображений AutoML.

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

Конструктор

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)

Параметры

advanced_settings
str
Обязательно

Параметры для расширенных сценариев.

ams_gradient
bool
Обязательно

Включите AMSGrad, если оптимизатор имеет значение adam или adamw.

beta1
float
Обязательно

Значение beta1, если оптимизатор имеет значение adam или adamw. Должно быть значением типа float в диапазоне [0, 1].

beta2
float
Обязательно

Значение beta2, если оптимизатор имеет значение adam или adamw. Должно быть значением типа float в диапазоне [0, 1].

checkpoint_frequency
int
Обязательно

Частота сохранения контрольных точек модели. Принимаются только положительные целые числа.

checkpoint_run_id
str
Обязательно

Идентификатор предыдущего запуска с предварительно обученной контрольной точкой для добавочного обучения.

distributed
bool
Обязательно

Следует ли использовать распределенное обучение.

early_stopping
bool
Обязательно

Включить алгоритм раннего прекращения логики во время обучения.

early_stopping_delay
int
Обязательно

Минимальное количество эпох или проверочных вычислений, ожидающее, прежде чем основное улучшение метрики будет отслеживаться для ранней остановки. Принимаются только положительные целые числа.

early_stopping_patience
int
Обязательно

Минимальное количество эпох или проверочных вычислений без улучшения основной метрики до остановки выполнения. Принимаются только положительные целые числа.

enable_onnx_normalization
bool
Обязательно

Включите нормализацию при экспорте модели ONNX.

evaluation_frequency
int
Обязательно

Частота оценки набора данных проверки для получения оценок метрик. Принимаются только положительные целые числа.

gradient_accumulation_step
int
Обязательно

Накопление градиента означает выполнение настроенного числа шагов GradAccumulationStep без обновления весовых коэффициентов модели при накоплении градиентов этих шагов, а затем использование накопленных градиентов для вычисления обновлений веса. Принимаются только положительные целые числа.

layers_to_freeze
int
Обязательно

Количество слоев, которые необходимо закрепить для модели. Принимаются только положительные целые числа. Например, передача 2 в качестве значения для "seresnext" означает замораживание layer0 и layer1. Полный список поддерживаемых моделей и подробные сведения о замораживании слоя см. в статье https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate
float
Обязательно

Начальная скорость обучения. Должно быть значением типа float в диапазоне [0, 1].

learning_rate_scheduler
str или LearningRateScheduler
Обязательно

Тип планировщика скорости обучения. Должен иметь значение "warmup_cosine" или "шаг". Возможные значения: None, WarmupCosine, Step.

model_name
str
Обязательно

Имя модели, используемой для обучения. Дополнительные сведения о доступных моделях см. в официальной документации: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum
float
Обязательно

Значение импульса, если оптимизатор имеет значение "sgd". Должно быть значением типа float в диапазоне [0, 1].

nesterov
bool
Обязательно

Включите nesterov, если оптимизатор имеет значение "sgd".

number_of_epochs
int
Обязательно

Число эпох обучения. Принимаются только положительные целые числа.

number_of_workers
int
Обязательно

Количество рабочих ролей загрузчика данных. Должно быть неотрицательное целое число.

optimizer
str или StochasticOptimizer
Обязательно

Тип оптимизатора. Возможные значения: "None", "Sgd", "Adam", "Adamw".

random_seed
int
Обязательно

Случайное начальное значение, используемое при использовании детерминированного обучения.

step_lr_gamma
float
Обязательно

Значение гамма, если планировщик скорости обучения имеет значение step. Должно быть значением типа float в диапазоне [0, 1].

step_lr_step_size
int
Обязательно

Значение размера шага, если планировщик скорости обучения имеет значение step. Принимаются только положительные целые числа.

training_batch_size
int
Обязательно

Размер пакета, используемого для обучения. Принимаются только положительные целые числа.

validation_batch_size
int
Обязательно

Размер пакета, используемого для проверки. Принимаются только положительные целые числа.

warmup_cosine_lr_cycles
float
Обязательно

Значение цикла косиуса, когда планировщик скорости обучения имеет значение "warmup_cosine". Должно быть значением типа float в диапазоне [0, 1].

warmup_cosine_lr_warmup_epochs
int
Обязательно

Значение эпох прогрева, когда планировщик скорости обучения имеет значение "warmup_cosine". Принимаются только положительные целые числа.

weight_decay
float
Обязательно

Значение упадения веса, если оптимизатор имеет значение "sgd", "adam" или "adamw". Должен быть типом float в диапазоне[0, 1].

box_detections_per_image
int
Обязательно

Максимальное число обнаружений на каждое изображение для всех классов. Принимаются только положительные целые числа. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

box_score_threshold
float
Обязательно

Во время вывода возвращаются только предложения с оценкой классификации, большей, чем BoxScoreThreshold. Должен быть типом float в диапазоне[0, 1].

image_size
int
Обязательно

Размер изображения для обучения и проверки. Принимаются только положительные целые числа. Примечание. Если размер слишком велик, обучающий запуск может попасть в OOM CUDA. Примечание. Эти параметры поддерживаются только для алгоритма yolov5.

max_size
int
Обязательно

Максимальный размер повторно масштабируемого изображения перед подачей в основную сеть. Принимаются только положительные целые числа. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти". Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

min_size
int
Обязательно

Минимальный размер повторно масштабируемого изображения перед подачей в основную сеть. Принимаются только положительные целые числа. Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти". Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

model_size
str или ModelSize
Обязательно

Размер модели. Должен быть "маленький", "средний", "большой". Примечание. Если размер слишком большой, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти". Примечание. Эти параметры поддерживаются только для алгоритма yolov5. Возможные значения: None, Small, Medium, Large, ExtraLarge.

multi_scale
bool
Обязательно

Включение многомасштабного изображения путем изменения размера изображения на +/- 50 %. Примечание. Если объема памяти на видеокарте недостаточно, в ходе обучения может возникать ошибка CUDA "Недостаточно памяти". Примечание. Эти параметры поддерживаются только для алгоритма yolov5.

nms_iou_threshold
float
Обязательно

Пороговое значение IOU, используемое во время вывода в постобработке NMS. Должно быть значением типа float в диапазоне [0, 1].

tile_grid_size
str
Обязательно

Размер сетки, используемый для мозаичного заполнения каждого изображения. Примечание. Параметр TileGridSize не должен иметь значение None, чтобы включить логику обнаружения небольших объектов. Строка, содержащая два целых числа в формате mxn. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

tile_overlap_ratio
float
Обязательно

Коэффициент перекрытия смежных фрагментов в каждом измерении. Должен иметь значение float в диапазоне [0, 1). Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

tile_predictions_nms_threshold
float
Обязательно

Пороговое значение IOU, используемое для выполнения поиска немаксимумов (NMS) при объединении прогнозов из фрагментов и изображения. Используется при проверке или выводе. Должен иметь значение float в диапазоне [0, 1]. Примечание. Эти параметры не поддерживаются для алгоритма yolov5.

validation_iou_threshold
float
Обязательно

Пороговое значение IOU, используемое при вычислении метрики проверки. Должен иметь значение float в диапазоне [0, 1].

validation_metric_type
str или ValidationMetricType
Обязательно

Метод вычисления метрик, который используется для расчета проверочных метрик. Возможные значения: "None", "Coco", "Voc", "CocoVoc".

log_training_metrics
str или <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
Обязательно

указывает, следует ли регистрировать метрики обучения

log_validation_loss
str или <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
Обязательно

указывает, следует ли регистрировать проверочный проигрыш