ImageModelDistributionSettingsObjectDetection interface

Pacote:

@azure/arm-machinelearning

Expressões de distribuição para varrer valores de configurações de modelo. Alguns exemplos são:

ModelName = "choice('seresnext', 'resnest50')";
LearningRate = "uniform(0.001, 0.01)";
LayersToFreeze = "choice(0, 2)";
```</example>
For more details on how to compose distribution expressions please check the documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-tune-hyperparameters
For more information on the available settings please visit the official documentation:
https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models.

Extends

ImageModelDistributionSettings

Propriedades

boxDetectionsPerImage	Número máximo de detecções por imagem, para todas as classes. Deve ser um inteiro positivo. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
boxScoreThreshold	Durante a inferência, retorne apenas propostas com uma pontuação de classificação maior que BoxScoreThreshold. Deve ser um float no intervalo[0, 1].
imageSize	Tamanho da imagem para treinamento e validação. Deve ser um 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'.
maxSize	Tamanho máximo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um inteiro positivo. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
minSize	Tamanho mínimo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um inteiro positivo. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
modelSize	Tamanho do modelo. Deve ser 'pequeno', 'médio', 'grande' ou 'xlarge'. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho do modelo for muito grande. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.
multiScale	Habilite a imagem de várias escalas variando o tamanho da imagem em +/- 50%. Observação: a execução de treinamento poderá entrar no CUDA OOM se não houver memória de GPU suficiente. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.
nmsIouThreshold	Limite de IOU usado durante a inferência no pós-processamento do NMS. Deve estar flutuando no intervalo [0, 1].
tileGridSize	O tamanho da grade a ser usado para dimensionar cada imagem. Observação: TileGridSize não deve ser Nenhum para habilitar a lógica de detecção de objetos pequena. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.
tileOverlapRatio	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'.
tilePredictionsNmsThreshold	O limite de IOU a ser usado para executar o NMS ao mesclar previsões de blocos e imagem. Usado na validação/inferência. Deve estar flutuando no intervalo [0, 1]. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'. NMS: supressão não máxima
validationIouThreshold	Limite de IOU a ser usado ao calcular a métrica de validação. Deve estar flutuando no intervalo [0, 1].
validationMetricType	Método de computação de métrica a ser usado para métricas de validação. Deve ser 'none', 'coco', 'voc' ou 'coco_voc'.

Propriedades herdadas

amsGradient	Habilite AMSGrad quando o otimizador for 'adam' ou 'adamw'.
augmentations	Configurações para usar aumentos.
beta1	Valor de 'beta1' quando o otimizador é 'adam' ou 'adamw'. Deve ser um float no intervalo [0, 1].
beta2	Valor de 'beta2' quando o otimizador é 'adam' ou 'adamw'. Deve ser um float no intervalo [0, 1].
distributed	Se você deve usar o treinamento do distribuídor.
earlyStopping	Habilite a lógica de parada antecipada durante o treinamento.
earlyStoppingDelay	Número mínimo de épocas ou avaliações de validação a serem aguardadas antes que a melhoria da métrica primária seja controlada para parada antecipada. Deve ser um inteiro positivo.
earlyStoppingPatience	Número mínimo de épocas ou avaliações de validação sem nenhuma melhoria de métrica primária antes que a execução seja interrompida. Deve ser um inteiro positivo.
enableOnnxNormalization	Habilite a normalização ao exportar o modelo ONNX.
evaluationFrequency	Frequência para avaliar o conjunto de dados de validação para obter pontuações de métrica. Deve ser um inteiro positivo.
gradientAccumulationStep	O acúmulo 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 inteiro positivo.
layersToFreeze	Número de camadas a serem congeladas para o modelo. Deve ser um 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.
learningRate	Taxa de aprendizado inicial. Deve ser um float no intervalo [0, 1].
learningRateScheduler	Tipo de agendador de taxa de aprendizagem. Deve ser "warmup_cosine" ou "step".
modelName	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	Valor do impulso quando o otimizador é 'sgd'. Deve ser um float no intervalo [0, 1].
nesterov	Habilite aninhado quando o otimizador for 'sgd'.
numberOfEpochs	Número de épocas de treinamento. Deve ser um inteiro positivo.
numberOfWorkers	Número de trabalhos do carregador de dados. Deve ser um inteiro não negativo.
optimizer	Tipo de otimizador. Deve ser "sgd", "adam" ou "adamw".
randomSeed	Semente aleatória a ser usada ao usar o treinamento determinístico.
stepLRGamma	Valor do gama quando o agendador de taxa de aprendizagem é "etapa". Deve ser um float no intervalo [0, 1].
stepLRStepSize	Valor do tamanho da etapa quando o agendador de taxa de aprendizagem é 'step'. Deve ser um inteiro positivo.
trainingBatchSize	Tamanho do lote de treinamento. Deve ser um inteiro positivo.
validationBatchSize	Tamanho do lote de validação. Deve ser um inteiro positivo.
warmupCosineLRCycles	Valor do ciclo de cosseno quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um float no intervalo [0, 1].
warmupCosineLRWarmupEpochs	Valor das épocas de aquecimento quando o agendador de taxa de aprendizagem é "warmup_cosine". Deve ser um inteiro positivo.
weightDecay	Valor da decadência de peso quando o otimizador é 'sgd', 'adam' ou 'adamw'. Deve ser um float no intervalo[0, 1].

Detalhes da propriedade

boxDetectionsPerImage

Número máximo de detecções por imagem, para todas as classes. Deve ser um inteiro positivo. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.

boxDetectionsPerImage?: string

Valor da propriedade

string

boxScoreThreshold

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

boxScoreThreshold?: string

Valor da propriedade

string

imageSize

Tamanho da imagem para treinamento e validação. Deve ser um 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'.

imageSize?: string

Valor da propriedade

string

maxSize

Tamanho máximo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um inteiro positivo. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.

maxSize?: string

Valor da propriedade

string

minSize

Tamanho mínimo da imagem a ser redimensionada antes de alimentá-la para o backbone. Deve ser um inteiro positivo. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho for muito grande. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.

minSize?: string

Valor da propriedade

string

modelSize

Tamanho do modelo. Deve ser 'pequeno', 'médio', 'grande' ou 'xlarge'. Observação: a execução de treinamento poderá entrar no CUDA OOM se o tamanho do modelo for muito grande. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.

modelSize?: string

Valor da propriedade

string

multiScale

Habilite a imagem de várias escalas variando o tamanho da imagem em +/- 50%. Observação: a execução de treinamento poderá entrar no CUDA OOM se não houver memória de GPU suficiente. Observação: essas configurações só têm suporte para o algoritmo 'yolov5'.

multiScale?: string

Valor da propriedade

string

nmsIouThreshold

Limite de IOU usado durante a inferência no pós-processamento do NMS. Deve estar flutuando no intervalo [0, 1].

nmsIouThreshold?: string

Valor da propriedade

string

tileGridSize

O tamanho da grade a ser usado para dimensionar cada imagem. Observação: TileGridSize não deve ser Nenhum para habilitar a lógica de detecção de objetos pequena. Uma cadeia de caracteres que contém dois inteiros no formato mxn. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'.

tileGridSize?: string

Valor da propriedade

string

tileOverlapRatio

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'.

tileOverlapRatio?: string

Valor da propriedade

string

tilePredictionsNmsThreshold

O limite de IOU a ser usado para executar o NMS ao mesclar previsões de blocos e imagem. Usado na validação/inferência. Deve estar flutuando no intervalo [0, 1]. Observação: não há suporte para essas configurações para o algoritmo 'yolov5'. NMS: supressão não máxima

tilePredictionsNmsThreshold?: string

Valor da propriedade

string

validationIouThreshold

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

validationIouThreshold?: string

Valor da propriedade

string

validationMetricType

Método de computação de métrica a ser usado para métricas de validação. Deve ser 'none', 'coco', 'voc' ou 'coco_voc'.

validationMetricType?: string

Valor da propriedade

string

Detalhes das propriedades herdadas

amsGradient

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

amsGradient?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.amsGradient

augmentations

Configurações para usar aumentos.

augmentations?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.augmentations

beta1

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

beta1?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.beta1

beta2

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

beta2?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.beta2

distributed

Se você deve usar o treinamento do distribuídor.

distributed?: string

Valor da propriedade

string

herdado deImageModelDistributionSettings.distributed

earlyStopping

Habilite a lógica de parada antecipada durante o treinamento.

earlyStopping?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.earlyStopping

earlyStoppingDelay

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

earlyStoppingDelay?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.earlyStoppingDelay

earlyStoppingPatience

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

earlyStoppingPatience?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.earlyStoppingPatience

enableOnnxNormalization

Habilite a normalização ao exportar o modelo ONNX.

enableOnnxNormalization?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.enableOnnxNormalization

evaluationFrequency

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

evaluationFrequency?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.evaluationFrequency

gradientAccumulationStep

O acúmulo 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 inteiro positivo.

gradientAccumulationStep?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.gradientAccumulationStep

layersToFreeze

Número de camadas a serem congeladas para o modelo. Deve ser um 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.

layersToFreeze?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.layersToFreeze

learningRate

Taxa de aprendizado inicial. Deve ser um float no intervalo [0, 1].

learningRate?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.learningRate

learningRateScheduler

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

learningRateScheduler?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.learningRateScheduler

modelName

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.

modelName?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.modelName

momentum

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

momentum?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.momentum

nesterov

Habilite aninhado quando o otimizador for 'sgd'.

nesterov?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.nesterov

numberOfEpochs

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

numberOfEpochs?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.numberOfEpochs

numberOfWorkers

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

numberOfWorkers?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.numberOfWorkers

optimizer

Tipo de otimizador. Deve ser "sgd", "adam" ou "adamw".

optimizer?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.optimizer

randomSeed

Semente aleatória a ser usada ao usar o treinamento determinístico.

randomSeed?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.randomSeed

stepLRGamma

Valor do gama quando o agendador de taxa de aprendizagem é "etapa". Deve ser um float no intervalo [0, 1].

stepLRGamma?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.stepLRGamma

stepLRStepSize

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

stepLRStepSize?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.stepLRStepSize

trainingBatchSize

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

trainingBatchSize?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.trainingBatchSize

validationBatchSize

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

validationBatchSize?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.validationBatchSize

warmupCosineLRCycles

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

warmupCosineLRCycles?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.warmupCosineLRCycles

warmupCosineLRWarmupEpochs

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

warmupCosineLRWarmupEpochs?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.warmupCosineLRWarmupEpochs

weightDecay

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

weightDecay?: string

Valor da propriedade

string

Herdado deImageModelDistributionSettings.weightDecay