ImageModelSettingsObjectDetection Classe
Configurações de modelo para a Tarefa de Detecção de Objeto de Imagem do AutoML.
- Herança
-
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettingsImageModelSettingsObjectDetection
Construtor
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)
Parâmetros
- beta1
- float
Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].
- beta2
- float
Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].
- checkpoint_frequency
- int
Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.
- checkpoint_run_id
- str
A ID de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.
- early_stopping_delay
- int
Número mínimo de épocas ou avaliações de validação a aguardar antes que a melhoria da métrica primária seja rastreada para interrupção antecipada. Deve ser um número inteiro positivo.
- early_stopping_patience
- int
Número mínimo de épocas ou avaliações de validação sem melhoria de métrica primária antes que a execução seja interrompida. Deve ser um número inteiro positivo.
- evaluation_frequency
- int
Frequência para avaliar o conjunto de dados de validação a fim de obter pontuações de métrica. Deve ser um número inteiro positivo.
- gradient_accumulation_step
- int
Acumulação de gradiente significa executar um número configurado de etapas "GradAccumulationStep" sem atualizar os pesos do modelo enquanto acumula os gradientes dessas etapas e, em seguida, usar os gradientes acumulados para calcular as atualizações de peso. Deve ser um número inteiro positivo.
- layers_to_freeze
- int
Número de camadas a serem congeladas para o modelo. Deve ser um número inteiro positivo. Por exemplo, passar 2 como valor para 'seresnext' significa congelar camada0 e camada1. Para obter uma lista completa dos modelos com suporte e detalhes sobre o congelamento de camadas, consulte: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- learning_rate
- float
Taxa de aprendizagem inicial. Precisa ser um float no intervalo [0, 1].
- learning_rate_scheduler
- str ou LearningRateScheduler
Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'. Os valores possíveis incluem: "None", "WarmupCosine", "Step".
- model_name
- str
Nome do modelo a ser usado para treinamento. Para obter mais informações sobre os modelos disponíveis, visite a documentação oficial: https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.
- momentum
- float
Valor do momento quando o otimizador é 'sgd'. Precisa ser um float no intervalo [0, 1].
- number_of_epochs
- int
Número de épocas de treinamento. Deve ser um número inteiro positivo.
- number_of_workers
- int
Número de trabalhos do carregador de dados. Deve ser um inteiro não negativo.
- optimizer
- str ou StochasticOptimizer
Tipo de otimizador. Os valores possíveis incluem: "None", "Sgd", "Adam", "Adamw".
- step_lr_gamma
- float
Valor de gama quando o agendador de taxa de aprendizagem é 'step'. Precisa ser um float no intervalo [0, 1].
- step_lr_step_size
- int
Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'step'. Deve ser um número inteiro positivo.
- training_batch_size
- int
Tamanho do lote de treinamento. Deve ser um número inteiro positivo.
- validation_batch_size
- int
Tamanho do lote de validação. Deve ser um número inteiro positivo.
- warmup_cosine_lr_cycles
- float
Valor do ciclo de cosseno quando o agendador de taxa de aprendizagem é "warmup_cosine". Precisa ser um float no intervalo [0, 1].
- warmup_cosine_lr_warmup_epochs
- int
Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um número inteiro positivo.
- weight_decay
- float
Valor da decaimento de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um float no intervalo[0, 1].
- box_detections_per_image
- int
Número máximo de detecções por imagem, para todas as classes. Deve ser um número inteiro positivo. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
- box_score_threshold
- float
Durante a inferência, retorne apenas propostas com uma pontuação de classificação maior que BoxScoreThreshold. Deve ser um float no intervalo[0, 1].
- image_size
- int
Tamanho da imagem para treinamento e validação. Deve ser um número inteiro positivo. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho for muito grande. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.
- max_size
- int
Tamanho máximo da imagem a ser redimensionada antes de alimentar o backbone. Deve ser um número inteiro positivo. Observação: a execução de treinamento poderá entrar em CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
- min_size
- int
Tamanho mínimo da imagem a ser redimensionada antes de alimentar o backbone. Deve ser um número inteiro positivo. Observação: a execução de treinamento poderá entrar em CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
Tamanho do modelo. Deve ser 'pequeno', 'médio', 'grande'. Observação: a execução de treinamento poderá entrar em CUDA OOM se o tamanho do modelo for muito grande. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'. Os valores possíveis incluem: "None", "Small", "Medium", "Large", "ExtraLarge".
- multi_scale
- bool
Habilite a imagem em várias escalas variando o tamanho da imagem em +/- 50%. Observação: a execução de treinamento poderá entrar em CUDA OOM se não houver memória GPU suficiente. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.
- nms_iou_threshold
- float
Limite de IOU usado durante a inferência no pós-processamento do NMS. Precisa ser um float no intervalo [0, 1].
- tile_grid_size
- str
O tamanho da grade a ser usado para a divisão em blocos de cada imagem. Observação: TileGridSize não deve ser Nenhum para habilitar a lógica de detecção de objetos pequeno. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
- tile_overlap_ratio
- float
Taxa de sobreposição entre blocos adjacentes em cada dimensão. Deve estar flutuando no intervalo [0, 1). Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
- tile_predictions_nms_threshold
- float
O limite de IOU a ser usado para executar NMS durante a mescla de previsões de blocos e imagens. Usado em validação/inferência. Deve estar flutuando no intervalo [0, 1]. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
- validation_iou_threshold
- float
Limite de IOU a ser usado ao calcular a métrica de validação. Deve estar flutuando no intervalo [0, 1].
- validation_metric_type
- str ou ValidationMetricType
Método de computação de métrica a ser usado em métricas de validação. Os valores possíveis incluem: "None", "Coco", "Voc", "CocoVoc".
- log_training_metrics
- str ou <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
indica se as métricas de treinamento devem ou não ser registradas
- log_validation_loss
- str ou <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
indica se a perda de validação deve ou não ser registrada
Azure SDK for Python