自動化機器學習中電腦視覺工作的超參數 （v1）

適用於： Python SDK azureml v1 (部分機器翻譯)

瞭解哪些超參數特別適用於自動化 ML 實驗中的電腦視覺工作。

透過電腦視覺工作的支援，您可以控制模型演算法和掃掠超參數。 這些模型演算法和超參數會傳入作為參數空間進行掃掠。 雖然公開的許多超參數都是與模型無關的，但有一個實例，其中超參數是模型特定或工作特定的。

模型特定的超參數

下表摘要說明演算法特有的 yolov5 超參數。

參數名稱	描述	預設
validation_metric_type	用於驗證計量的計量計算方法。 必須是 none、 coco、 voc或 coco_voc。	voc
validation_iou_threshold	計算驗證計量時方塊比對的IOU閾值。 必須是範圍 [0.1， 1] 中的浮點數。	0.5
img_size	定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。	640
model_size	模型大小。 必須是 small、 medium、 large或 xlarge。 注意：如果模型大小太大，定型執行可能會進入 CUDA OOM。	medium
multi_scale	依 +/- 50% 的不同影像大小啟用多重縮放影像 必須是 0 或 1。 注意：如果沒有足夠的 GPU 記憶體，定型執行可能會進入 CUDA OOM。	0
box_score_thresh	在推斷期間，只傳回分數大於 box_score_thresh的建議。 分數是物件性分數和分類機率的乘法。 必須是範圍 [0, 1] 內的浮點數。	0.1
nms_iou_thresh	在非最大隱藏后處理中推斷期間使用的IOU臨界值。 必須是範圍 [0, 1] 內的浮點數。	0.5
tile_grid_size	要用於每個並排影像的格線大小。 注意：tile_grid_size不得為 None，才能啟用 小型物件偵測 邏輯 傳遞為字串之兩個整數的 Tuple。 範例：--tile_grid_size “（3， 2）”	無預設值
tile_overlap_ratio	每個維度中相鄰磚之間的重疊比例。 必須是 [0， 1] 範圍內的 float	0.25
tile_predictions_nms_thresh	用來執行NMS的IOU閾值，同時合併磚和影像的預測。 用於驗證/推斷。 必須是 [0， 1] 範圍內的 float	0.25

下表摘要說明推斷期間實例分割的特定 maskrcnn_* 超參數。

參數名稱	描述	預設
mask_pixel_score_threshold	將像素視為物件遮罩的一部分進行評分截斷。	0.5
max_number_of_polygon_points	從遮罩轉換後，多邊形中的座標組數上限（x，y） 。	100
export_as_image	將遮罩導出為影像。	False
image_type	要匯出遮罩的影像類型（選項為 jpg、png、bmp）。	JPG

模型無從驗證超參數

下表描述與模型無關的超參數。

參數名稱	描述	預設
number_of_epochs	定型 Epoch 的數目。 必須是正整數。	15 （除外 yolov5： 30）
training_batch_size	定型批次大小。 必須是正整數。	多類別/多重標籤：78 （除了 vit-variants： vits16r224: 128 vitb16r224: 48 vitl16r224:10) 對象偵測：2 （除外 yolov5： 16） 實例分割：2 注意：預設值是可在 12 GiB GPU 記憶體上使用的最大批次大小。
validation_batch_size	驗證批次大小。 必須是正整數。	多類別/多重標籤：78 （除了 vit-variants： vits16r224: 128 vitb16r224: 48 vitl16r224:10) 對象偵測：1 （除外 yolov5： 16） 實例分割：1 注意：預設值是可在 12 GiB GPU 記憶體上使用的最大批次大小。
grad_accumulation_step	漸層累積表示在不更新模型權數的情況下執行已設定的數目 grad_accumulation_step ，同時累積這些步驟的漸層，然後使用累積的漸層來計算權數更新。 必須是正整數。	1
early_stopping	在定型期間啟用早期停止邏輯。 必須是 0 或 1。	1
early_stopping_patience	使用的最小 Epoch 或驗證評估數目 停止執行之前，沒有主要計量改進。 必須是正整數。	5
early_stopping_delay	要等候的 Epoch 或驗證評估數目下限 在追蹤主要計量改善以進行早期停止之前。 必須是正整數。	5
learning_rate	初始學習速率。 必須是範圍 [0, 1] 內的浮點數。	多類別：0.01 （除了 vit-variants： vits16r224: 0.0125 vitb16r224: 0.0125 vitl16r224: 0.001) 多重標籤：0.035 （除了 vit-variants： vits16r224: 0.025 vitb16r224: 0.025 vitl16r224: 0.002) 對象偵測：0.005 （除外 yolov5： 0.01） 實例分割：0.005
lr_scheduler	學習率排程器的類型。 必須是 warmup_cosine 或 step。	warmup_cosine
step_lr_gamma	學習速率排程器 step為 時伽瑪的值。 必須是範圍 [0, 1] 內的浮點數。	0.5
step_lr_step_size	學習速率排程器 step為 時的步驟大小值。 必須是正整數。	5
warmup_cosine_lr_cycles	學習速率排程器 warmup_cosine為 時餘弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。	0.45
warmup_cosine_lr_warmup_epochs	學習速率排程器為 時，熱身 Epoch 的值。warmup_cosine 必須是正整數。	2
optimizer	優化工具的類型。 必須是 sgd、 adam、 adamw。	sgd
momentum	優化器為 sgd時的勢頭值。 必須是範圍 [0, 1] 內的浮點數。	0.9
weight_decay	優化器為 sgd、 adam或 adamw時的權數衰變數。 必須是範圍 [0, 1] 內的浮點數。	1e-4
nesterov	當最佳化器為 sgd時開啟 nesterov 。 必須是 0 或 1。	1
beta1	beta1優化器為 adam 或 adamw時的值。 必須是範圍 [0, 1] 內的浮點數。	0.9
beta2	beta2優化器為 adam 或 adamw時的值。 必須是範圍 [0, 1] 內的浮點數。	0.999
amsgrad	當最佳化器為 adam 或adamw時開啟 amsgrad 。 必須是 0 或 1。	0
evaluation_frequency	評估驗證數據集以取得計量分數的頻率。 必須是正整數。	1
checkpoint_frequency	儲存模型檢查點的頻率。 必須是正整數。	在驗證時具有最佳主要計量的 Epoch 檢查點。
checkpoint_run_id	具有累加定型定型檢查點之實驗的執行標識碼。	無預設值
checkpoint_dataset_id	FileDataset 識別符，其中包含累加式定型的預先定型檢查點。。 請務必與 一checkpoint_dataset_id起傳遞checkpoint_filename。	無預設值
checkpoint_filename	FileDataset 中用於累加訓練的預先定型檢查點檔名。 請務必與 一checkpoint_filename起傳遞checkpoint_dataset_id。	無預設值
layers_to_freeze	要凍結模型多少層。 例如，傳遞 2 做為值， seresnext 表示凍結 layer0 和 layer1，參考下列支援的模型層資訊。 必須是正整數。 '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.'], 'vit': ['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': ['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.']	無預設值

影像分類 （多類別和多標籤） 特定超參數

下表摘要說明影像分類（多類別和多標籤）工作的超參數。

參數名稱	描述	預設
weighted_loss	0 沒有減肥。 1 用於與 sqrt 減肥。（class_weights） 2 用於減肥與class_weights。 必須是 0 或 1 或 2。	0
valid_resize_size	在裁剪驗證數據集之前要重設大小的影像大小。 必須是正整數。 筆記： seresnext 不會採用任意大小。 如果大小太大，訓練回合可能會進入 CUDA OOM。	256
valid_crop_size	影像裁剪大小，這是用於驗證數據集之類神經網路的輸入。 必須是正整數。 筆記： seresnext 不會採用任意大小。 ViT 變體 應該具有相同 valid_crop_size 和 train_crop_size。 如果大小太大，訓練回合可能會進入 CUDA OOM。	224
train_crop_size	影像裁剪大小，這是訓練數據集之類神經網路的輸入。 必須是正整數。 筆記： seresnext 不會採用任意大小。 ViT 變體 應該具有相同 valid_crop_size 和 train_crop_size。 如果大小太大，訓練回合可能會進入 CUDA OOM。	224

對象偵測和實例分割工作特定的超參數

下列超參數適用於物件偵測和實例分割工作。

警告

演算法不支持 yolov5 這些參數。 如需支援的超參數，請參閱模型特定的超參數一節yolov5。

參數名稱	描述	預設
validation_metric_type	用於驗證計量的計量計算方法。 必須是 none、 coco、 voc或 coco_voc。	voc
validation_iou_threshold	計算驗證計量時方塊比對的IOU閾值。 必須是範圍 [0.1， 1] 中的浮點數。	0.5
min_size	將影像饋送至骨幹之前，要重新調整的影像大小下限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。	600
max_size	在將影像饋送至骨幹之前，要重新調整的影像大小上限。 必須是正整數。 注意：如果大小太大，定型執行可能會進入 CUDA OOM。	1333
box_score_thresh	在推斷期間，只傳回分類分數大於 box_score_thresh的建議。 必須是範圍 [0, 1] 內的浮點數。	0.3
nms_iou_thresh	在非最大歸併 （NMS） 中用於預測前端的 IOU （交叉超過等位） 臨界值。 在推斷期間使用。 必須是範圍 [0, 1] 內的浮點數。	0.5
box_detections_per_img	所有類別的每個影像偵測數目上限。 必須是正整數。	100
tile_grid_size	要用於每個並排影像的格線大小。 注意：tile_grid_size不得為 None，才能啟用 小型物件偵測 邏輯 傳遞為字串之兩個整數的 Tuple。 範例：--tile_grid_size “（3， 2）”	無預設值
tile_overlap_ratio	每個維度中相鄰磚之間的重疊比例。 必須是 [0， 1] 範圍內的 float	0.25
tile_predictions_nms_thresh	用來執行NMS的IOU閾值，同時合併磚和影像的預測。 用於驗證/推斷。 必須是 [0， 1] 範圍內的 float	0.25

下一步

• 瞭解如何設定 AutoML 以使用 Python 定型電腦視覺模型（預覽）。

• 教學課程：使用 AutoML 和 Python 定型物件偵測模型 (預覽)。