Hyperparametry pro úlohy počítačového zpracování obrazu v automatizovaném strojovém učení

PLATÍ PRO:Rozšíření Azure CLI ml v2 (aktuální)Python SDK azure-ai-ml v2 (aktuální)

Zjistěte, které hyperparametry jsou k dispozici speciálně pro úlohy počítačového zpracování obrazu v experimentech automatizovaného strojového učení.

S podporou úloh počítačového zpracování obrazu můžete řídit architekturu modelu a uklidit hyperparametry. Tyto architektury modelu a hyperparametry se předávají jako prostor parametrů pro úklid. Zatímco mnoho vystavených hyperparametrů je nezávislé na modelu, existují instance, ve kterých jsou hyperparametry specifické pro model nebo úlohu.

Hyperparametry specifické pro model

Tato tabulka shrnuje hyperparametry specifické pro architekturu yolov5 .

Název parametru	Popis	Výchozí
validation_metric_type	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí být none, coco, vocnebo coco_voc.	voc
validation_iou_threshold	Prahová hodnota IOU pro porovnávání krabic při výpočetních metrikách ověřování Musí být plovoucí v rozsahu [0,1, 1].	0.5
image_size	Velikost obrázku pro trénování a ověření Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	640
model_size	Velikost modelu Musí být small, medium, largenebo extra_large. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost modelu příliš velká.	medium
multi_scale	Povolení vícenásobných imagí s různou velikostí obrázku o +/- 50 % Musí být 0 nebo 1. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud není dostatek paměti GPU.	0
box_score_threshold	Při odvození vrátí pouze návrhy se skóre větším než box_score_threshold. Skóre je násobení skóre objektů a pravděpodobnosti klasifikace. Musí to být plovák v rozsahu [0, 1].	0,1
nms_iou_threshold	Prahová hodnota IOU použitá při odvozování v ne maximálním potlačení po zpracování. Musí to být plovák v rozsahu [0, 1].	0.5
tile_grid_size	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. Poznámka: tile_grid_size nesmí být žádná, aby bylo možné povolit logiku detekce malých objektů. Měla by být předána jako řetězec ve formátu 3x2. Příklad: --tile_grid_size 3x2	Bez výchozího nastavení
tile_overlap_ratio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1)	0.25
tile_predictions_nms_threshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]	0.25

Tato tabulka shrnuje hyperparametry specifické pro maskrcnn_* segmentaci instance během odvozování.

Název parametru	Popis	Výchozí
mask_pixel_score_threshold	Určení skóre pro zvážení pixelu jako součásti masky objektu	0.5
max_number_of_polygon_points	Maximální počet párů souřadnic (x, y) v mnohoúhelníku po převodu z masky	100
export_as_image	Export masek jako obrázků	False
image_type	Typ obrázku pro export masky jako (možnosti jsou jpg, png, bmp).	JPG

Hyperparametry nezávislé na modelu

Následující tabulka popisuje hyperparametry, které jsou nezávislé na modelu.

Název parametru	Popis	Výchozí
number_of_epochs	Počet epoch trénování. Musí to být kladné celé číslo.	15 (s výjimkou yolov5: 30)
training_batch_size	Trénovací velikost dávky. Musí to být kladné celé číslo.	Více tříd/ více popisků: 78 (kromě variant vit-variant: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Detekce objektů: 2 (s výjimkou yolov5: 16) Segmentace instancí: 2 Poznámka: Výchozí hodnoty jsou největší velikost dávky, kterou lze použít v paměti GPU 12 GiB.
validation_batch_size	Velikost dávky ověření. Musí to být kladné celé číslo.	Více tříd/ více popisků: 78 (kromě variant vit-variant: vits16r224: 128 vitb16r224: 48 vitl16r224:10) Detekce objektů: 1 (s výjimkou yolov5: 16) Segmentace instancí: 1 Poznámka: Výchozí hodnoty jsou největší velikost dávky, kterou lze použít v paměti GPU 12 GiB.
gradient_accumulation_step	Akumulace přechodu znamená spuštění nakonfigurovaného počtu gradient_accumulation_step bez aktualizace hmotnosti modelu při shromáždění přechodů těchto kroků a následné použití kumulovaných přechodů k výpočtu aktualizací hmotnosti. Musí to být kladné celé číslo.	0
early_stopping	Povolte logiku předčasného zastavení během trénování. Musí být 0 nebo 1.	0
early_stopping_patience	Minimální počet epoch nebo vyhodnocení ověření pomocí před zastavením spuštění není žádné zlepšení primární metriky. Musí to být kladné celé číslo.	5
early_stopping_delay	Minimální počet epoch nebo vyhodnocení ověření, které se mají čekat před počátečním zastavením se sleduje zlepšení primární metriky. Musí to být kladné celé číslo.	5
learning_rate	Počáteční rychlost učení. Musí to být plovák v rozsahu [0, 1].	Více tříd: 0.01 (kromě variant vit-variant: vits16r224: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) Více štítků: 0,035 (kromě variant vit-variant: vits16r224: 0.025 vitb16r224: 0.025 vitl16r224: 0.002) Detekce objektů: 0.005 (s výjimkou yolov5: 0.01) Segmentace instancí: 0.005
learning_rate_scheduler	Typ plánovače rychlosti učení Musí být warmup_cosine nebo step.	warmup_cosine
step_lr_gamma	Hodnota gama při učení plánovače rychlosti je step. Musí to být plovák v rozsahu [0, 1].	0.5
step_lr_step_size	Hodnota velikosti kroku při plánování rychlosti učení je step. Musí to být kladné celé číslo.	5
warmup_cosine_lr_cycles	Hodnota kosinusového cyklu při plánování rychlosti učení je warmup_cosine. Musí to být plovák v rozsahu [0, 1].	0,45
warmup_cosine_lr_warmup_epochs	Hodnota epochy warmupu při učení plánovače rychlosti je warmup_cosine. Musí to být kladné celé číslo.	2
optimizer	Typ optimalizátoru Musí být buď sgd, adam, adamw.	sgd
momentum	Hodnota dynamiky, pokud je sgdoptimalizátor . Musí to být plovák v rozsahu [0, 1].	0,9
weight_decay	Hodnota hmotnosti se rozpadne, pokud je sgdoptimalizátor , adamnebo adamw. Musí to být plovák v rozsahu [0, 1].	1e-4
nesterov	Povolte nesterov , pokud je sgdoptimalizátor . Musí být 0 nebo 1.	0
beta1	beta1 Hodnota, kdy je adam optimalizátor nebo adamw. Musí to být plovák v rozsahu [0, 1].	0,9
beta2	beta2 Hodnota, kdy je adam optimalizátor nebo adamw. Musí to být plovák v rozsahu [0, 1].	0,999
ams_gradient	Povolte ams_gradient , pokud je adam optimalizátor nebo adamw. Musí být 0 nebo 1.	0
evaluation_frequency	Frekvence vyhodnocení ověřovací datové sady za účelem získání skóre metrik Musí to být kladné celé číslo.	0
checkpoint_frequency	Frekvence ukládání kontrolních bodů modelu Musí to být kladné celé číslo.	Kontrolní bod na epochu s nejlepší primární metrikou při ověřování
checkpoint_run_id	ID spuštění experimentu s předem natrénovaným kontrolním bodem pro přírůstkové trénování.	bez výchozího nastavení
layers_to_freeze	Kolik vrstev se má u modelu ukotvit. Například předání hodnoty 2 jako hodnoty pro seresnext vrstvu ukotvení vrstvy0 a vrstvy1 odkazující na níže podporované informace o vrstvě modelu. Musí to být kladné celé číslo. - 'resnet': [('conv1.', 'bn1.'), 'layer1.', 'layer2.', 'layer3.', 'layer4.'] - 'mobilenetv2': ['features.0.', 'features.1.', 'features.2.', 'features.3.', 'features.4.', 'features.5.', 'features.6.', 'features.7.', 'features.8.', 'features.9.', 'features.10.', 'features.11.', 'features.12.', 'features.13.', 'features.14.', 'features.15.', 'features.16.', 'features.17.', 'features.18.'] - 'seresnext': : ['layer0.', 'layer1.', 'layer2.', 'layer3.', 'layer4.']: ['patch_embed', 'blocks.0.', 'blocks.1.', 'blocks.2.', 'blocks.3.', 'blocks.4.', 'blocks.5.', 'blocks.6.','blocks.7.', 'blocks.8.', 'blocks.9.', 'blocks.10.', 'blocks.11.'] * 'yolov5_backbone' * 'vit'['model.0.', 'model.1.', 'model.2.', 'model.3.', 'model.4.','model.5.', 'model.6.', 'model.7.', 'model.8.', 'model.9.'] - 'resnet_backbone': ['backbone.body.conv1.', 'backbone.body.layer1.', 'backbone.body.layer2.','backbone.body.layer3.', 'backbone.body.layer4.']	bez výchozího nastavení

Klasifikace obrázků (více tříd a více popisků) specifických hyperparametrů

Následující tabulka shrnuje hyperparmetry pro úlohy klasifikace obrázků (více tříd a více popisků).

Název parametru	Popis	Výchozí
model_name	Název modelu, který se má použít pro úlohu klasifikace obrázků. Musí být jedním z mobilenetv2, resnet18, , resnet34, resnet50, resnet152seresnextresnest50resnet101resnest101, vits16r224, , vitb16r224. . vitl16r224	seresnext
weighted_loss	- 0 pro žádnou váženou ztrátu. - 1 pro váženou ztrátu sqrt. (class_weights) - 2 pro hubnutí s class_weights. - Musí být 0 nebo 1 nebo 2.	0
validation_resize_size	– Velikost obrázku, na kterou se má změnit velikost před oříznutím pro ověřovací datovou sadu. - Musí to být kladné celé číslo. Poznámky: - seresnext nemá libovolnou velikost. - Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	256
validation_crop_size	– Velikost oříznutí obrázku, která je vstupní do neurální sítě pro ověřovací datovou sadu. - Musí to být kladné celé číslo. Poznámky: - seresnext nemá libovolnou velikost. - Varianty ViT by měly mít stejné validation_crop_size a training_crop_size. - Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	224
training_crop_size	– Velikost oříznutí obrázku, která je vstupní do neurální sítě pro trénování datové sady. - Musí to být kladné celé číslo. Poznámky: - seresnext nemá libovolnou velikost. - Varianty ViT by měly mít stejné validation_crop_size a training_crop_size. - Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	224

Detekce objektů a segmentace instancí – úlohy specifické pro hyperparametry

Následující hyperparametry jsou určené pro úlohy detekce objektů a segmentace instancí.

Upozorňující

Tyto parametry nejsou podporovány v architektuře yolov5 . Informace o podporovaných hyperparmetrech najdete v části specifické pro yolov5 konkrétní model.

Název parametru	Popis	Výchozí
model_name	Název modelu, který se má použít pro úlohu klasifikace obrázků. - Pro úlohu detekce objektů musí být jedna z yolov5, , fasterrcnn_resnet18_fpnfasterrcnn_resnet34_fpn, fasterrcnn_resnet50_fpn, , fasterrcnn_resnet101_fpn, , fasterrcnn_resnet152_fpn. retinanet_resnet50_fpn. - Například úkol segmentace musí být jedním z maskrcnn_resnet18_fpn, maskrcnn_resnet34_fpn, maskrcnn_resnet50_fpn, , maskrcnn_resnet101_fpnmaskrcnn_resnet152_fpn	- Pro úlohu detekce objektů, fasterrcnn_resnet50_fpn - Například úkol segmentace, maskrcnn_resnet50_fpn
validation_metric_type	Metoda výpočtů metrik, která se má použít pro ověřovací metriky. Musí být none, coco, vocnebo coco_voc.	voc
validation_iou_threshold	Prahová hodnota IOU pro porovnávání krabic při výpočetních metrikách ověřování Musí být plovoucí v rozsahu [0,1, 1].	0.5
min_size	Minimální velikost obrázku, která se má před podáváním do páteřní sítě znovu škálovat. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	600
max_size	Maximální velikost obrázku, která se má znovu škálovat, než ho podáte do páteřní sítě. Musí to být kladné celé číslo. Poznámka: Trénovací běh se může dostat do CUDA OOM, pokud je velikost příliš velká.	1333
box_score_threshold	Při odvozování vrátí pouze návrhy s vyšším skóre klasifikace než box_score_threshold. Musí to být plovák v rozsahu [0, 1].	0.3
nms_iou_threshold	Prahová hodnota IOU (průsečík nad sjednocením) použitá v nevýznamné potlačení (NMS) pro predikční hlavu. Používá se při odvození. Musí to být plovák v rozsahu [0, 1].	0.5
box_detections_per_image	Maximální počet detekcí na obrázek pro všechny třídy. Musí to být kladné celé číslo.	100
tile_grid_size	Velikost mřížky, která se má použít pro provazování jednotlivých obrázků. - tile_grid_size nesmí být žádná, aby bylo možné povolit logiku detekce malých objektů. - tile_grid_size pro úlohy segmentace instance se nepodporuje. Měla by být předána jako řetězec ve formátu 3x2. Příklad: --tile_grid_size 3x2	Bez výchozího nastavení
tile_overlap_ratio	Poměr překrytí mezi sousedními dlaždicemi v každé dimenzi Musí být plovoucí v rozsahu [0, 1)	0.25
tile_predictions_nms_threshold	Prahová hodnota IOU, která se má použít k provádění NMS při slučování předpovědí z dlaždic a obrázků. Používá se při ověřování nebo odvozování. Musí být plovoucí v rozsahu [0, 1]	0.25

Další kroky

• Naučte se nastavit AutoML pro trénování modelů počítačového zpracování obrazu pomocí Pythonu.

• Kurz: Trénování modelu rozpoznávání objektů pomocí AutoML a Pythonu