Platform For AI:Détection d'objets (easycv)

Prérequis

OSS est activé et Machine Learning Studio est autorisé à accéder à OSS. Pour plus d'informations, consultez les rubriques Activer OSS et Accorder les autorisations requises pour utiliser Machine Learning Designer.

Limitations

• Ce composant est disponible uniquement dans Designer.

• Seul le moteur DLC est pris en charge.

Configurer les paramètres du composant

• Ports d'entrée

  Port d'entrée	Type	Composant en amont	Obligatoire
  Données d'entraînement	Object Storage Service	Lire les données de fichier	Non. Si vous ne connectez pas ce port, spécifiez le paramètre Training data OSS path dans l'onglet Field settings.
  Données de validation	Object Storage Service	Lire les données de fichier	Non. Si vous ne connectez pas ce port, spécifiez le paramètre Validation data OSS path dans l'onglet Field settings.
  Fichier de liste de classes	Object Storage Service	Lire les données de fichier	Non. Si vous ne connectez pas ce port, spécifiez le paramètre Class list file OSS path dans l'onglet Field settings.

• Paramètres du composant

  Onglet	Paramètre	Obligatoire	Description	Valeur par défaut
  Field settings	Model type	Oui	L'architecture de modèle à utiliser pour l'entraînement. Valeurs valides : FCOS YOLOX YOLOv5 YOLOv7	YOLOX
  	OSS directory for training	Non	Le répertoire OSS où stocker le modèle entraîné. Exemple : examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/. Si vous laissez ce paramètre vide, le composant utilise le chemin d'espace de travail par défaut.	Aucune
  	Annotation file path for training set	Non	Si Data format est défini sur DetSourcePAI, fournissez un fichier avec l'extension .manifest. Si Data format est défini sur COCO, fournissez un fichier avec l'extension .json. Ce paramètre n'est pas requis si vous fournissez les données d'entraînement via le port d'entrée. Si les deux sont configurés, l'entrée du port d'entrée est prioritaire.	Aucune
  	Annotation file path for validation set	Non	Si Data format est défini sur DetSourcePAI, fournissez un fichier avec l'extension .manifest. Si Data format est défini sur COCO, fournissez un fichier avec l'extension .json. Ce paramètre n'est pas requis si vous fournissez les données de validation via le port d'entrée. Si les deux sont configurés, l'entrée du port d'entrée est prioritaire.	Aucune
  	Class list file OSS path	Non	Spécifiez le chemin OSS vers le fichier de liste de libellés, qui doit être un fichier .txt. Ce paramètre n'est pas requis si vous fournissez le fichier de liste de classes via le port d'entrée. Si les deux sont configurés, l'entrée du port d'entrée est prioritaire.	Aucune
  	Pre-trained model OSS path	Non	Le chemin OSS vers votre modèle pré-entraîné personnalisé. Si vous ne configurez pas ce paramètre, PAI utilise un modèle pré-entraîné par défaut.	Aucune
  	Training data OSS path	Oui	Ce paramètre apparaît uniquement lorsque Data format est défini sur COCO. Spécifiez le chemin vers les images d'entraînement au format COCO.	Aucune
  	Validation data OSS path	Oui	Ce paramètre apparaît uniquement lorsque Data format est défini sur COCO. Spécifiez le chemin vers les images de validation au format COCO.	Aucune
  	Data format	Oui	Le format du jeu de données source. Valeurs valides : COCO DetSourcePAI (les modèles YOLOv5 et YOLOv7 prennent uniquement en charge les jeux de données DetSourcePAI.)	DetSourcePAI
  Parameters	YOLOX model structure	Oui	Ce paramètre apparaît uniquement lorsque Model type est défini sur YOLOX. Sélectionnez une structure dans la liste déroulante. Valeurs valides : yolox-s yolox-m yolox-l yolox-x	yolox-s
  	Number of classes	Oui	Le nombre de libellés de classe dans le jeu de données.	20
  	Image scale	Oui	La taille de l'image après redimensionnement. Séparez la hauteur et la largeur par un espace. Exemple : 320 320.	320 320
  	Optimizer	Oui	Ce paramètre est disponible uniquement lorsque Model type est défini sur YOLOX. La méthode d'optimisation pour l'entraînement du modèle. Valeurs valides : momentum adam	momentum
  	Initial learning rate	Oui	Le taux d'apprentissage initial.	0.01
  	Training batch size	Oui	Le nombre d'échantillons par itération d'entraînement.	8
  	Validation batch size	Oui	Le nombre d'échantillons par itération de validation.	8
  	Number of epochs	Oui	Le nombre total d'époques d'entraînement. Remarque Pour les modèles YOLOX, la valeur de ce paramètre doit être supérieure à la somme des valeurs des paramètres Warmup epochs et Last no augmented lr epochs.	20
  	Log loss frequency	Non	L'intervalle d'impression de la valeur de perte. La valeur par défaut est 200, ce qui signifie que la valeur de perte est imprimée toutes les 200 batches d'entraînement.	200
  	Validation frequency	Non	L'intervalle de validation en époques. La valeur par défaut est 2, ce qui signifie que la validation est effectuée toutes les deux époques.	2
  	Warmup epochs	Non	Ce paramètre s'applique uniquement aux modèles YOLOX.	5
  	Last no augmented lr epochs	Non	Ce paramètre s'applique uniquement aux modèles YOLOX.	5
  	Export model format	Oui	Le format du modèle exporté. Valeurs valides : raw jit (le format jit n'est pas pris en charge pour les modèles YOLOv5 et YOLOv7.) onnx	raw
  	Checkpoint saving frequency	Non	L'intervalle (en époques) pour l'enregistrement des fichiers de point de contrôle. Une valeur de 1 indique qu'un point de contrôle est enregistré après chaque époque.	1
  Tuning	GPU machine type	Oui	Ce composant nécessite une instance GPU pour s'exécuter.	4
  	Enable FP16	Non	Active ou désactive le mode demi-précision FP16.	false
  	Execution mode	Oui	Seul l'entraînement distribué sur DLC est pris en charge.	Distributed DLC

• Ports de sortie

  Port de sortie	Type	Composant en aval
  Modèle de sortie	Le modèle entraîné est stocké au format SavedModel dans le chemin spécifié dans le paramètre OSS directory for training de l'onglet Field settings.	Prédiction d'image

Exemple

Pour FCOS, YOLOX, YOLOv5 et YOLOv7, utilisez le composant Object detection (easycv) pour créer un pipeline comme illustré dans la figure suivante.

Dans cet exemple, configurez les composants comme suit :

1. Utilisez iTAG dans PAI pour annoter les images. Pour plus d'informations, consultez les rubriques Créer un jeu de données pour l'annotation des données et Créer une tâche d'annotation.

   Remarque

   iTAG est pris en charge uniquement dans certaines régions. Consultez la rubrique Régions et zones iTAG pour plus de détails.

   1. Après avoir créé un jeu de données, sélectionnez le modèle Object Detection sous General Template lors de la création d'une tâche d'annotation.

   2. Dans la section Object Detection Label Configuration, sélectionnez Single-label. Dans la section Label Configuration, saisissez tous les noms de libellés requis pour faciliter le processus d'annotation.

      

   3. Une fois l'annotation terminée, exportez les résultats d'annotation au format manifest vers Object Storage Service (OSS) afin que les composants suivants puissent les utiliser.

      

2. Utilisez le composant Read File Data pour lire le fichier de résultats d'annotation (par exemple, xxx.manifest). Définissez le paramètre OSS Data Path du composant Read File Data sur le chemin OSS du jeu de données contenant les résultats d'annotation. Exemple : oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest.

3. Connectez les données d'entraînement et de validation au composant Object detection (easycv) et configurez ses paramètres. Pour plus d'informations, consultez la section Configurer les paramètres du composant.

Pour FCOS et YOLOX, vous pouvez également utiliser le composant image prediction pour effectuer une inférence hors ligne. Pour plus d'informations, consultez la rubrique Prédiction d'image.

Documents connexes

• Après l'entraînement d'un modèle de détection d'objets, connectez un composant de prédiction d'image en aval du composant Object detection (easycv) pour effectuer des prédictions avec le modèle et évaluer ses performances. Pour plus d'informations, consultez la rubrique Prédiction d'image.

• Pour plus d'informations sur les composants Designer, consultez la rubrique Présentation de Designer.

• Designer propose plusieurs composants algorithmiques prédéfinis. Sélectionnez le composant approprié pour votre cas d'utilisation. Pour plus d'informations, consultez la rubrique Présentation des composants Designer.