Platform For AI:Detección de objetos (easycv)

Requisitos previos

OSS debe estar activado y Machine Learning Studio debe contar con autorización para acceder a OSS. Para obtener más información, consulte Activate OSS y Grant required permissions to use Machine Learning Designer.

Limitaciones

• Este componente solo está disponible en Designer.

• Solo es compatible con el motor DLC.

Configurar los parámetros del componente

• Puertos de entrada

  Puerto de entrada	Tipo	Componente anterior	Obligatorio
  Training data	Object Storage Service	Read File Data	No. Si no conecta este puerto, configure el parámetro Training data OSS path en la pestaña Field settings.
  Validation data	Object Storage Service	Read File Data	No. Si no conecta este puerto, configure el parámetro Validation data OSS path en la pestaña Field settings.
  Class list file	Object Storage Service	Read File Data	No. Si no conecta este puerto, configure el parámetro Class list file OSS path en la pestaña Field settings.

• Parámetros del componente

  Pestaña	Parámetro	Obligatorio	Descripción	Valor predeterminado
  Field settings	Model type	Sí	Arquitectura del modelo que se usará para el entrenamiento. Valores válidos: FCOS YOLOX YOLOv5 YOLOv7	YOLOX
  	OSS directory for training	No	Directorio de OSS donde se almacenará el modelo entrenado. Ejemplo: examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/. Si deja este parámetro vacío, el componente usará la ruta predeterminada del espacio de trabajo.	Ninguna
  	Annotation file path for training set	No	Si establece Data format en DetSourcePAI, proporcione un archivo con extensión .manifest. Si establece Data format en COCO, proporcione un archivo con extensión .json. Este parámetro no es obligatorio si proporciona los datos de entrenamiento mediante el puerto de entrada. Si configura ambas opciones, la entrada del puerto tiene prioridad.	Ninguna
  	Annotation file path for validation set	No	Si establece Data format en DetSourcePAI, proporcione un archivo con extensión .manifest. Si establece Data format en COCO, proporcione un archivo con extensión .json. Este parámetro no es obligatorio si proporciona los datos de validación mediante el puerto de entrada. Si configura ambas opciones, la entrada del puerto tiene prioridad.	Ninguna
  	Class list file OSS path	No	Especifique la ruta de OSS al archivo de lista de etiquetas. Este debe ser un archivo .txt. Este parámetro no es obligatorio si proporciona el archivo de lista de clases mediante el puerto de entrada. Si configura ambas opciones, la entrada del puerto tiene prioridad.	Ninguna
  	Pre-trained model OSS path	No	Ruta de OSS a su modelo preentrenado personalizado. Si no configura este parámetro, PAI usará un modelo preentrenado predeterminado.	Ninguna
  	Training data OSS path	Sí	Este parámetro aparece únicamente cuando establece Data format en COCO. Especifique la ruta a las imágenes de entrenamiento en formato COCO.	Ninguna
  	Validation data OSS path	Sí	Este parámetro aparece únicamente cuando establece Data format en COCO. Especifique la ruta a las imágenes de validación en formato COCO.	Ninguna
  	Data format	Sí	Formato del conjunto de datos de origen. Valores válidos: COCO DetSourcePAI (los modelos YOLOv5 y YOLOv7 solo admiten conjuntos de datos DetSourcePAI).	DetSourcePAI
  Parameters	YOLOX model structure	Sí	Este parámetro aparece únicamente cuando establece Model type en YOLOX. Seleccione una estructura en la lista desplegable. Valores válidos: yolox-s yolox-m yolox-l yolox-x	yolox-s
  	Number of classes	Sí	Número de etiquetas de clase en el conjunto de datos.	20
  	Image scale	Sí	Tamaño de la imagen después de cambiarle las dimensiones. Separe la altura y el ancho con un espacio. Ejemplo: 320 320.	320 320
  	Optimizer	Sí	Este parámetro solo está disponible cuando establece Model type en YOLOX. Método de optimización para el entrenamiento del modelo. Valores válidos: momentum adam	momentum
  	Initial learning rate	Sí	Tasa de aprendizaje inicial.	0.01
  	Training batch size	Sí	Número de muestras por iteración de entrenamiento.	8
  	Validation batch size	Sí	Número de muestras por iteración de validación.	8
  	Number of epochs	Sí	Número total de épocas de entrenamiento. Nota Para los modelos YOLOX, el valor de este parámetro debe ser mayor que la suma de los valores de los parámetros Warmup epochs y Last no augmented lr epochs.	20
  	Log loss frequency	No	Intervalo para imprimir el valor de pérdida. El valor predeterminado es 200, lo que indica que el valor de pérdida se imprime cada 200 lotes de entrenamiento.	200
  	Validation frequency	No	Intervalo de validación en épocas. El valor predeterminado es 2, lo que indica que la validación se ejecuta cada dos épocas.	2
  	Warmup epochs	No	Este parámetro aplica únicamente a los modelos YOLOX.	5
  	Last no augmented lr epochs	No	Este parámetro aplica únicamente a los modelos YOLOX.	5
  	Export model format	Sí	Formato del modelo exportado. Valores válidos: raw jit (el formato jit no es compatible con los modelos YOLOv5 y YOLOv7). onnx	raw
  	Checkpoint saving frequency	No	Intervalo (en épocas) para guardar los archivos de checkpoint. Un valor de 1 indica que se guarda un checkpoint después de cada época.	1
  Tuning	GPU machine type	Sí	Este componente requiere una instancia con GPU para ejecutarse.	4
  	Enable FP16	No	Habilita o deshabilita el modo de precisión media FP16.	false
  	Execution mode	Sí	Solo se admite el entrenamiento distribuido en DLC.	Distributed DLC

• Puertos de salida

  Puerto de salida	Tipo	Componente posterior
  Output model	El modelo entrenado se almacena en formato SavedModel en la ruta especificada en el parámetro OSS directory for training de la pestaña Field settings.	image prediction

Ejemplo

Para FCOS, YOLOX, YOLOv5 y YOLOv7, use el componente Object detection (easycv) para construir un pipeline como se muestra en la siguiente figura.

En este ejemplo, configure los componentes a continuación:

1. Use iTAG en PAI para etiquetar las imágenes. Para obtener más información, consulte Create a dataset for data labeling y Create a labeling job.

   Nota

   iTAG solo es compatible con algunas regiones. Consulte iTAG Regions and zones para obtener más detalles.

   1. Después de crear un conjunto de datos, seleccione la plantilla Object Detection dentro de General Template al crear un trabajo de etiquetado.

   2. En la sección Object Detection Label Configuration, seleccione Single-label. En la sección Label Configuration, introduzca todos los nombres de etiqueta necesarios para facilitar el proceso de etiquetado.

      

   3. Una vez finalizado el etiquetado, exporte los resultados en formato manifest a Object Storage Service (OSS) para que los componentes posteriores puedan usarlos.

      

2. Use el componente Read File Data para leer el archivo de resultados de etiquetado (por ejemplo, xxx.manifest). Establezca el parámetro OSS Data Path del componente Read File Data en la ruta de OSS del conjunto de datos que contiene los resultados de etiquetado. Ejemplo: oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest.

3. Conecte los datos de entrenamiento y validación al componente Object detection (easycv) y configure sus parámetros. Para obtener más información, consulte Configure component parameters.

Para FCOS y YOLOX, también puede usar el componente image prediction para ejecutar inference sin conexión. Para obtener más información, consulte image prediction.

Documentos relacionados

• Una vez entrenado un modelo de detección de objetos, conecte un componente de predicción de imágenes después del componente Object detection (easycv) para generar predicciones con el modelo y evaluar su rendimiento. Para obtener más información, consulte image prediction.

• Para obtener más información sobre los componentes de Designer, consulte Designer overview.

• Designer ofrece varios componentes de algoritmos predefinidos. Seleccione el componente adecuado para su caso de uso. Para obtener más información, consulte Overview of Designer components.