ImageModelSettingsObjectDetection Classe

Inicializa uma nova instância de ImageModelSettingsObjectDetection.

Configurações para cenários avançados.

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

Configurações para usar Aumentos.

Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].

Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Precisa ser um float no intervalo [0, 1].

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'.

Durante a inferência, retorna apenas propostas com uma pontuação de classificação maior que BoxScoreThreshold. Deve ser um float no intervalo[0, 1].

Frequência para armazenar pontos de verificação do modelo. Deve ser um número inteiro positivo.

O modelo de ponto de verificação pré-treinado para treinamento incremental.

A ID de uma execução anterior que tem um ponto de verificação pré-treinado para treinamento incremental.

Se deseja usar o treinamento distribuído.

Habilitar a lógica de parada antecipada durante o treinamento.

Número mínimo de épocas ou avaliações de validação a serem aguardadas antes que a melhoria da métrica primária seja controlada para a interrupção antecipada. Deve ser um número inteiro positivo.

Número mínimo de épocas ou avaliações de validação sem nenhuma melhoria de métrica primária antes que a execução seja interrompida. Deve ser um número inteiro positivo.

Habilite a normalização ao exportar o modelo ONNX.

Frequência para avaliar o conjunto de dados de validação a fim de obter pontuações de métrica. Deve ser um número inteiro positivo.

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.

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'.

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 de 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.

Taxa de aprendizagem inicial. Precisa ser um float no intervalo [0, 1].

Tipo de agendador de taxa de aprendizagem. Deve ser 'warmup_cosine' ou 'step'.

Habilitar métricas de treinamento de computação e registro em log.

Habilitar a perda de validação de computação e registro em log.

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'.

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'.

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.

Tamanho do modelo. Deve ser "pequeno", "médio", "grande" ou "xlarge". 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'.

Valor do momento quando o otimizador é 'sgd'. Precisa ser um float no intervalo [0, 1].

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'.

Habilite aninhado quando o otimizador for 'sgd'.

Limite de IOU usado durante a inferência no pós-processamento do NMS. Precisa ser um float no intervalo [0, 1].

Número de épocas de treinamento. Deve ser um número inteiro positivo.

Número de trabalhos do carregador de dados. Deve ser um inteiro não negativo.

Tipo de otimizador.

Semente aleatória a ser usada ao usar o treinamento determinístico.

Valor de gama quando o agendador de taxa de aprendizagem é 'step'. Precisa ser um float no intervalo [0, 1].

Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'step'. Deve ser um número inteiro positivo.

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 pequenos. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.

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'.

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'.

Tamanho do lote de treinamento. Deve ser um número inteiro positivo.

Tamanho do lote de validação. Deve ser um número inteiro positivo.

Limite de IOU a ser usado ao calcular a métrica de validação. Deve estar flutuando no intervalo [0, 1].

Método de computação de métrica a ser usado em métricas de validação.

Valor do ciclo de cosseno quando o agendador de taxa de aprendizagem é "warmup_cosine". Precisa ser um float no intervalo [0, 1].

Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um número inteiro positivo.

Valor da decadência de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um float no intervalo[0, 1].