ImageModelSettingsObjectDetection Classe

ams_gradient

bool

Habilite o AMSGrad quando o otimizador for 'adam' ou 'adamw'.

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.

distributed

bool

Se o treinamento distribuído deve ser usado.

early_stopping

bool

Habilitar a lógica de parada antecipada durante o treinamento.

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.

enable_onnx_normalization

bool

Habilite a normalização ao exportar o modelo ONNX.

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].

nesterov

bool

Habilite aninhado quando o otimizador for 'sgd'.

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".

random_seed

int

Semente aleatória a ser usada ao usar o treinamento determinístico.

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'.

model_size

str ou ModelSize

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