ImageModelSettingsObjectDetection Classe

ams_gradient

bool

Abilitare AMSGrad quando Optimizer è 'adam' o 'adamw'.

beta1

float

Valore di 'beta1' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

beta2

float

Valore di 'beta2' quando Optimizer è 'adam' o 'adamw'. Deve essere un valore float nell'intervallo [0, 1].

checkpoint_frequency

int

Frequenza di archiviazione dei checkpoint del modello. Deve essere un intero positivo.

checkpoint_run_id

str

ID di un'esecuzione precedente con un checkpoint con training preliminare per il training incrementale.

distributed

bool

Indica se usare il training distribuito.

early_stopping

bool

Abilitare la logica di arresto anticipato durante il training.

early_stopping_delay

int

Numero minimo di periodi o valutazioni di convalida da attendere prima che venga rilevato il miglioramento della metrica primaria per l'arresto anticipato. Deve essere un intero positivo.

early_stopping_patience

int

Numero minimo di periodi o valutazioni di convalida senza miglioramenti delle metriche primarie prima dell'arresto dell'esecuzione. Deve essere un intero positivo.

enable_onnx_normalization

bool

Abilitare la normalizzazione durante l'esportazione del modello ONNX.

evaluation_frequency

int

Frequenza per valutare il set di dati di convalida per ottenere i punteggi delle metriche. Deve essere un intero positivo.

gradient_accumulation_step

int

L'accumulo di sfumature significa eseguire un numero configurato di passaggi "GradAccumulationStep" senza aggiornare i pesi del modello durante l'accumulo delle sfumature di tali passaggi e quindi usare le sfumature accumulate per calcolare gli aggiornamenti del peso. Deve essere un intero positivo.

layers_to_freeze

int

Numero di livelli da bloccare per il modello. Deve essere un intero positivo. Ad esempio, passando 2 come valore per "seresnext" significa congelamento layer0 e layer1. Per un elenco completo dei modelli supportati e dettagli sul blocco del livello, vedere: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

learning_rate

float

Frequenza di apprendimento iniziale. Deve essere un valore float nell'intervallo [0, 1].

learning_rate_scheduler

str oppure LearningRateScheduler

Tipo di utilità di pianificazione della frequenza di apprendimento. Deve essere 'warmup_cosine' o 'step'. I valori possibili includono: "None", "WarmupCosine", "Step".

model_name

str

Nome del modello da usare per il training. Per altre informazioni sui modelli disponibili, vedere la documentazione ufficiale: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

momentum

float

Valore di momentum quando Optimizer è "sgd". Deve essere un valore float nell'intervallo [0, 1].

nesterov

bool

Abilitare nesterov quando optimizer è "sgd".

number_of_epochs

int

Numero di periodi di training. Deve essere un intero positivo.

number_of_workers

int

Numero di ruoli di lavoro del caricatore di dati. Deve essere un numero intero non negativo.

optimizer

str oppure StochasticOptimizer

Tipo di ottimizzatore. I valori possibili includono: "None", "Sgd", "Adam", "Adamw".

random_seed

int

Valore di inizializzazione casuale da usare quando si usa il training deterministico.

step_lr_gamma

float

Valore gamma quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un valore float nell'intervallo [0, 1].

step_lr_step_size

int

Valore delle dimensioni dei passaggi quando l'utilità di pianificazione della frequenza di apprendimento è "passaggio". Deve essere un intero positivo.

training_batch_size

int

Dimensioni del batch di training. Deve essere un intero positivo.

validation_batch_size

int

Dimensioni del batch di convalida. Deve essere un intero positivo.

warmup_cosine_lr_cycles

float

Il valore del ciclo coseno quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un valore float nell'intervallo [0, 1].

warmup_cosine_lr_warmup_epochs

int

Il valore dei periodi di riscaldamento quando l'utilità di pianificazione della frequenza di apprendimento è "warmup_cosine". Deve essere un intero positivo.

weight_decay

float

Valore del decadimento del peso quando Optimizer è 'sgd', 'adam', o 'adamw'. Deve essere un valore float nell'intervallo[0, 1].

box_detections_per_image

int

Numero massimo di rilevamenti per immagine, per tutte le classi. Deve essere un intero positivo. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

box_score_threshold

float

Durante l'inferenza, restituisce solo proposte con un punteggio di classificazione maggiore di BoxScoreThreshold. Deve essere un valore float nell'intervallo[0, 1].

image_size

int

Dimensioni dell'immagine per il training e la convalida. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'.

max_size

int

Dimensioni massime dell'immagine da ridimensionare prima di alimentarla alla spina dorsale. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

min_size

int

Dimensioni minime dell'immagine da ridimensionare prima di alimentarla alla spina dorsale. Deve essere un intero positivo. Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni sono troppo grandi. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

model_size

str oppure ModelSize

Dimensioni del modello. Deve essere "small", "medium", "large". Nota: l'esecuzione del training può entrare nell'OOM CUDA se le dimensioni del modello sono troppo grandi. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'. I valori possibili includono: "None", "Small", "Medium", "Large", "ExtraLarge".

multi_scale

bool

Abilitare l'immagine su più scalabilità variando le dimensioni dell'immagine di +/- 50%. Nota: l'esecuzione del training può entrare nell'OOM CUDA se non è sufficiente memoria GPU. Nota: queste impostazioni sono supportate solo per l'algoritmo 'yolov5'.

nms_iou_threshold

float

Soglia IOU usata durante l'inferenza nella post-elaborazione di NMS. Deve essere un valore float nell'intervallo [0, 1].

tile_grid_size

str

Dimensioni della griglia da usare per l'associazione di ogni immagine. Nota: TileGridSize non deve essere Nessuno per abilitare la logica di rilevamento di oggetti di piccole dimensioni. Stringa contenente due numeri interi in formato mxn. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

tile_overlap_ratio

float

Rapporto di sovrapposizione tra riquadri adiacenti in ogni dimensione. Deve essere float nell'intervallo [0, 1). Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

tile_predictions_nms_threshold

float

Soglia IOU da usare per eseguire NMS durante l'unione di stime da riquadri e immagini. Usato nella convalida/inferenza. Deve essere float nell'intervallo [0, 1]. Nota: queste impostazioni non sono supportate per l'algoritmo 'yolov5'.

validation_iou_threshold

float

Soglia IOU da usare per il calcolo della metrica di convalida. Deve essere float nell'intervallo [0, 1].

validation_metric_type

str oppure ValidationMetricType

Metodo di calcolo delle metriche da usare per le metriche di convalida. I valori possibili includono: "None", "Coco", "Voc", "CocoVoc".

log_training_metrics

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

indica se registrare o meno le metriche di training

log_validation_loss

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

indica se registrare o meno la perdita di convalida