共用方式為

ImageModelSettingsObjectDetection 類別

  • 參考

AutoML 影像物件偵測工作的模型設定。

繼承
azure.ai.ml.entities._job.automl.image.image_model_settings.ImageModelDistributionSettings
ImageModelSettingsObjectDetection

建構函式

ImageModelSettingsObjectDetection(*, advanced_settings: str | None = None, ams_gradient: bool | None = None, beta1: float | None = None, beta2: float | None = None, checkpoint_frequency: int | None = None, checkpoint_run_id: str | None = None, distributed: bool | None = None, early_stopping: bool | None = None, early_stopping_delay: int | None = None, early_stopping_patience: int | None = None, enable_onnx_normalization: bool | None = None, evaluation_frequency: int | None = None, gradient_accumulation_step: int | None = None, layers_to_freeze: int | None = None, learning_rate: float | None = None, learning_rate_scheduler: LearningRateScheduler | None = None, model_name: str | None = None, momentum: float | None = None, nesterov: bool | None = None, number_of_epochs: int | None = None, number_of_workers: int | None = None, optimizer: StochasticOptimizer | None = None, random_seed: int | None = None, step_lr_gamma: float | None = None, step_lr_step_size: int | None = None, training_batch_size: int | None = None, validation_batch_size: int | None = None, warmup_cosine_lr_cycles: float | None = None, warmup_cosine_lr_warmup_epochs: int | None = None, weight_decay: float | None = None, box_detections_per_image: int | None = None, box_score_threshold: float | None = None, image_size: int | None = None, max_size: int | None = None, min_size: int | None = None, model_size: ModelSize | None = None, multi_scale: bool | None = None, nms_iou_threshold: float | None = None, tile_grid_size: str | None = None, tile_overlap_ratio: float | None = None, tile_predictions_nms_threshold: float | None = None, validation_iou_threshold: float | None = None, validation_metric_type: ValidationMetricType | None = None, log_training_metrics: LogTrainingMetrics | None = None, log_validation_loss: LogValidationLoss | None = None, **kwargs)

參數

advanced_settings
str
必要

進階案例的設定。

ams_gradient
bool
必要

當優化器為 'adam' 或 'adamw' 時啟用 AMSGrad。

beta1
float
必要

優化器為 'adam' 或 'adamw' 時的 'Beta1' 值。 必須是範圍 [0, 1] 內的浮點數。

beta2
float
必要

優化器為 'adam' 或 'adamw' 時的 'Beta2' 值。 必須是範圍 [0, 1] 內的浮點數。

checkpoint_frequency
int
必要

儲存模型檢查點的頻率。 必須是正整數。

checkpoint_run_id
str
必要

先前執行的識別碼，其具有累加定型的預先定型檢查點。

distributed
bool
必要

是否要使用分散式定型。

early_stopping
bool
必要

在定型期間啟用提早停止邏輯。

early_stopping_delay
int
必要

在追蹤主要計量改進之前，要等候的最小 Epoch 或驗證評估數目，以便提早停止。 必須是正整數。

early_stopping_patience
int
必要

停止執行之前，沒有主要計量改進的最小 Epoch 或驗證評估數目。 必須是正整數。

enable_onnx_normalization
bool
必要

匯出 ONNX 模型時啟用正規化。

evaluation_frequency
int
必要

評估驗證資料集以取得計量分數的頻率。 必須是正整數。

gradient_accumulation_step
int
必要

漸層累積表示在不更新模型權數的情況下執行已設定的 「GradAccumulationStep」 步驟，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。

layers_to_freeze
int
必要

要凍結模型的圖層數目。 必須是正整數。 例如，將 2 當做 'seresnext' 的值傳遞表示凍結 layer0 和 layer1。 如需支援之模型的完整清單，以及圖層凍結的詳細資料，請參閱： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models 。

learning_rate
float
必要

初始學習速率。 必須是範圍 [0, 1] 內的浮點數。

learning_rate_scheduler
str 或 LearningRateScheduler
必要

學習率排程器的類型。 必須是 'warmup_cosine' 或 'step'。 可能的值包括：「None」、「WarmupCosine」、「Step」。

model_name
str
必要

要用於定型的模型名稱。 如需可用模型的詳細資訊，請流覽官方檔： https://docs.microsoft.com/en-us/azure/machine-learning/how-to-auto-train-image-models 。

momentum
float
必要

優化工具為 'sgd' 時的時刻值。 必須是範圍 [0, 1] 內的浮點數。

nesterov
bool
必要

當優化器為 'sgd' 時，請啟用 nesterov。

number_of_epochs
int
必要

定型 Epoch 的數目。 必須是正整數。

number_of_workers
int
必要

資料載入器背景工作角色的數目。 必須是非負整數。

optimizer
str 或 StochasticOptimizer
必要

最佳化工具的類型。 可能的值為：「None」、「Sgd」、「Adam」、「Adamw」。

random_seed
int
必要

使用決定性定型時要使用的隨機種子。

step_lr_gamma
float
必要

當學習速率排程器為 'step' 時，gamma 的值。 必須是範圍 [0, 1] 內的浮點數。

step_lr_step_size
int
必要

當學習速率排程器為 'step' 時，步驟大小的值。 必須是正整數。

training_batch_size
int
必要

定型批次大小。 必須是正整數。

validation_batch_size
int
必要

驗證批次大小。 必須是正整數。

warmup_cosine_lr_cycles
float
必要

當學習速率排程器為 'warmup_cosine' 時，余弦迴圈的值。 必須是範圍 [0, 1] 內的浮點數。

warmup_cosine_lr_warmup_epochs
int
必要

當學習速率排程器為 'warmup_cosine'時，熱身 Epoch 的值。 必須是正整數。

weight_decay
float
必要

優化器為 'sgd'、'adam' 或 'adamw' 時的權數衰減值。 必須是範圍[0， 1] 中的浮點數。

box_detections_per_image
int
必要

針對所有類別，每個影像的偵測數目上限。 必須是正整數。 注意：'yolov5' 演算法不支援此設定。

box_score_threshold
float
必要

在推斷期間，只會傳回分類分數大於 BoxScoreThreshold 的建議。 必須是範圍[0， 1] 中的浮點數。

image_size
int
必要

用於定型和驗證的影像大小。 必須是正整數。 注意：如果大小太大，定型回合可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。

max_size
int
必要

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，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。

min_size
int
必要

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，則定型執行可能會進入 CUDA OOM. 注意：'yolov5' 演算法不支援此設定。

model_size
str 或 ModelSize
必要

模型大小。 必須是 'small'、'medium'、'large'。 注意：如果模型大小太大，則定型執行可能會進入 CUDA OOM. 注意：只有 'yolov5' 演算法才支援此設定。 可能的值為：「None」、「Small」、「Medium」、「Large」、「ExtraLarge」。

multi_scale
bool
必要

依 +/- 50% 的不同影像大小啟用多縮放映射。 注意：如果沒有足夠的 GPU 記憶體，則定型執行可能會進入 CUDA OOM。 注意：只有 'yolov5' 演算法才支援此設定。

nms_iou_threshold
float
必要

在 NMS 後置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。

tile_grid_size
str
必要

要用於每個並排影像的格線大小。 注意：TileGridSize 不得為 None，才能啟用小型物件偵測邏輯。 包含兩個整數的字串，其格式為#。 注意：'yolov5' 演算法不支援此設定。

tile_overlap_ratio
float
必要

每個維度中相鄰圖格之間的重疊比例。 範圍 [0， 1) 必須是 float。 注意：'yolov5' 演算法不支援此設定。

tile_predictions_nms_threshold
float
必要

從圖格和影像合併預測時用來執行 NMS 的 IOU 閾值。 用於驗證/推斷。 必須是範圍 [0， 1] 中的 float。 注意：'yolov5' 演算法不支援此設定。

validation_iou_threshold
float
必要

計算驗證計量時要使用的 IOU 臨界值。 必須是範圍 [0， 1] 中的 float。

validation_metric_type
str 或 ValidationMetricType
必要

要用於驗證計量的計量計算方法。 可能的值包括：「None」、「Coco」、「Voc」、「CocoVoc」。

log_training_metrics
str 或 <xref:azure.mgmt.machinelearningservices.models.LogTrainingMetrics>
必要

指出是否要記錄定型計量

log_validation_loss
str 或 <xref:azure.mgmt.machinelearningservices.models.LogValidationLoss>
必要

指出是否要記錄驗證遺失