ImageModelDistributionSettingsObjectDetection Classe
Définition
Important
Certaines informations portent sur la préversion du produit qui est susceptible d’être en grande partie modifiée avant sa publication. Microsoft exclut toute garantie, expresse ou implicite, concernant les informations fournies ici.
Expressions de distribution pour balayer les valeurs des paramètres du modèle. <exemple> Voici quelques exemples :
ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
public class ImageModelDistributionSettingsObjectDetection : Azure.ResourceManager.MachineLearning.Models.ImageModelDistributionSettingstype ImageModelDistributionSettingsObjectDetection = class
inherit ImageModelDistributionSettingsPublic Class ImageModelDistributionSettingsObjectDetection
Inherits ImageModelDistributionSettings- Héritage
Constructeurs
| ImageModelDistributionSettingsObjectDetection() |
Initialise une nouvelle instance de ImageModelDistributionSettingsObjectDetection. |
Propriétés
| AmsGradient |
Activez AMSGrad lorsque l’optimiseur est « adam » ou « adamw ». (Hérité de ImageModelDistributionSettings) |
| Augmentations |
Paramètres d’utilisation des augmentations. (Hérité de ImageModelDistributionSettings) |
| Beta1 |
Valeur de « beta1 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. (Hérité de ImageModelDistributionSettings) |
| Beta2 |
Valeur de « beta2 » lorsque l’optimiseur est « adam » ou « adamw ». Doit être un nombre à virgule flottante dans la plage [0, 1]. (Hérité de ImageModelDistributionSettings) |
| BoxDetectionsPerImage |
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 ». |
| BoxScoreThreshold |
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]. |
| Distributed |
Indique s’il faut utiliser l’entraînement du répartiteur. (Hérité de ImageModelDistributionSettings) |
| EarlyStopping |
Permet d’avoir une logique d’arrêt anticipé au cours de l’entraînement. (Hérité de ImageModelDistributionSettings) |
| EarlyStoppingDelay |
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. (Hérité de ImageModelDistributionSettings) |
| EarlyStoppingPatience |
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. (Hérité de ImageModelDistributionSettings) |
| EnableOnnxNormalization |
Activez la normalisation lors de l’exportation du modèle ONNX. (Hérité de ImageModelDistributionSettings) |
| EvaluationFrequency |
Fréquence d’évaluation du jeu de données de validation pour obtenir les scores de métrique. Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| GradientAccumulationStep |
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. (Hérité de ImageModelDistributionSettings) |
| ImageSize |
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 ». |
| LayersToFreeze |
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. (Hérité de ImageModelDistributionSettings) |
| LearningRate |
Taux d’apprentissage initial. Doit être un nombre à virgule flottante dans la plage [0, 1]. (Hérité de ImageModelDistributionSettings) |
| LearningRateScheduler |
Type de planificateur du taux d’apprentissage. Doit être « warmup_cosine » ou « étape ». (Hérité de ImageModelDistributionSettings) |
| MaxSize |
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 ». |
| MinSize |
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 ». |
| ModelName |
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. (Hérité de ImageModelDistributionSettings) |
| ModelSize |
Taille du modèle. Doit être « small », « medium », « large » ou « xlarge ». 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 ». |
| Momentum |
Valeur de momentum lorsque l’optimiseur est « sgd ». Doit être un nombre à virgule flottante dans la plage [0, 1]. (Hérité de ImageModelDistributionSettings) |
| MultiScale |
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 ». |
| Nesterov |
Activez nesterov lorsque l’optimiseur est « sgd ». (Hérité de ImageModelDistributionSettings) |
| NmsIouThreshold |
Seuil d’IOU utilisé lors de l’inférence dans le post-traitement NMS. Doit être float dans la plage [0, 1]. |
| NumberOfEpochs |
Nombre d’époques d’entraînement. Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| NumberOfWorkers |
Nombre de workers du chargeur de données. Doit être un entier non négatif. (Hérité de ImageModelDistributionSettings) |
| Optimizer |
Type d’optimiseur. Doit être « sgd », « adam » ou « adamw ». (Hérité de ImageModelDistributionSettings) |
| RandomSeed |
Valeur de départ aléatoire à utiliser lors de l’utilisation de l’entraînement déterministe. (Hérité de ImageModelDistributionSettings) |
| StepLRGamma |
Valeur gamma lorsque le planificateur de taux d’apprentissage est « step ». Doit être un nombre à virgule flottante dans la plage [0, 1]. (Hérité de ImageModelDistributionSettings) |
| StepLRStepSize |
Valeur de la taille de l’étape lorsque le planificateur de taux d’apprentissage est « étape ». Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| TileGridSize |
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 ». |
| TileOverlapRatio |
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 ». |
| TilePredictionsNmsThreshold |
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 ». NMS : Suppression non maximale |
| TrainingBatchSize |
Taille du lot d’entraînement. Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| ValidationBatchSize |
Taille du lot de validation. Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| ValidationIouThreshold |
Seuil d’IOU à utiliser lors du calcul de la métrique de validation. Doit être float dans la plage [0, 1]. |
| ValidationMetricType |
Méthode de calcul de métrique à utiliser pour les métriques de validation. Doit être « none », « coco », « voc » ou « coco_voc ». |
| WarmupCosineLRCycles |
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]. (Hérité de ImageModelDistributionSettings) |
| WarmupCosineLRWarmupEpochs |
Valeur des époques de préchauffement lorsque le planificateur de taux d’apprentissage est « warmup_cosine ». Cette valeur doit être un entier positif. (Hérité de ImageModelDistributionSettings) |
| WeightDecay |
Valeur de la décroissance de poids lorsque l’optimiseur est « sgd », « adam » ou « adamw ». Doit être un float dans la plage[0, 1]. (Hérité de ImageModelDistributionSettings) |