Platform For AI:Deteksi objek (easycv)

Prasyarat

OSS telah diaktifkan, dan Machine Learning Studio telah diotorisasi untuk mengakses OSS. Untuk informasi selengkapnya, lihat Aktifkan Layanan OSS dan Memberikan izin yang diperlukan untuk menggunakan Machine Learning Designer.

Batasan

• Komponen ini hanya tersedia di Designer.

• Hanya engine DLC yang didukung.

Konfigurasikan parameter komponen

• Port input

  Input port	Type	Upstream component	Required
  Training data	Object Storage Service	Read OSS Data	No. Jika Anda tidak menghubungkan port ini, Anda dapat mengonfigurasi parameter Training data OSS path pada tab Field settings.
  Validation data	Object Storage Service	Read OSS Data	No. Jika Anda tidak menghubungkan port ini, Anda dapat mengonfigurasi parameter Validation data OSS path pada tab Field settings.
  Class list file	Object Storage Service	Read OSS Data	No. Jika Anda tidak menghubungkan port ini, Anda dapat mengonfigurasi parameter Class list file OSS path pada tab Field settings.

• Parameter komponen

  Tab	Parameter	Required	Description	Default
  Field settings	Model type	Yes	Arsitektur model yang digunakan untuk pelatihan. Nilai yang valid: FCOS YOLOX YOLOv5 YOLOv7	YOLOX
  	OSS directory for training	No	Direktori OSS untuk menyimpan model yang telah dilatih. Contoh: examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/. Jika Anda mengosongkan parameter ini, komponen akan menggunakan path ruang kerja default.	None
  	Annotation file path for training set	No	Jika Data format diatur ke DetSourcePAI, berikan file dengan ekstensi .manifest. Jika Data format diatur ke COCO, berikan file dengan ekstensi .json. Parameter ini tidak diperlukan jika Anda menyediakan data pelatihan melalui port input. Jika keduanya dikonfigurasi, input dari port input akan diutamakan.	None
  	Annotation file path for validation set	No	Jika Data format diatur ke DetSourcePAI, berikan file dengan ekstensi .manifest. Jika Data format diatur ke COCO, berikan file dengan ekstensi .json. Parameter ini tidak diperlukan jika Anda menyediakan data validasi melalui port input. Jika keduanya dikonfigurasi, input dari port input akan diutamakan.	None
  	Class list file OSS path	No	Tentukan path OSS ke file daftar label, yang harus berupa file .txt. Parameter ini tidak diperlukan jika Anda menyediakan file daftar kelas melalui port input. Jika keduanya dikonfigurasi, input dari port input akan diutamakan.	None
  	Pre-trained model OSS path	No	Path OSS ke model pra-latih kustom Anda. Jika Anda tidak mengonfigurasi parameter ini, PAI akan menggunakan model pra-latih default.	None
  	Training data OSS path	Yes	Parameter ini hanya muncul ketika Data format diatur ke COCO. Tentukan path ke gambar pelatihan dalam format COCO.	None
  	Validation data OSS path	Yes	Parameter ini hanya muncul ketika Data format diatur ke COCO. Tentukan path ke gambar validasi dalam format COCO.	None
  	Data format	Yes	Format dataset sumber. Nilai yang valid: COCO DetSourcePAI (model YOLOv5 dan YOLOv7 hanya mendukung dataset DetSourcePAI.)	DetSourcePAI
  Parameters	YOLOX model structure	Yes	Parameter ini hanya muncul ketika Model type diatur ke YOLOX. Anda dapat memilih struktur dari daftar drop-down. Nilai yang valid: yolox-s yolox-m yolox-l yolox-x	yolox-s
  	Number of classes	Yes	Jumlah label kelas dalam dataset.	20
  	Image scale	Yes	Ukuran gambar setelah di-resize. Gunakan spasi untuk memisahkan tinggi dan lebar. Contoh: 320 320.	320 320
  	Optimizer	Yes	Parameter ini hanya tersedia ketika Model type diatur ke YOLOX. Metode optimasi untuk pelatihan model. Nilai yang valid: momentum adam	momentum
  	Initial learning rate	Yes	Tingkat pembelajaran awal.	0.01
  	Training batch size	Yes	Jumlah sampel per iterasi pelatihan.	8
  	Validation batch size	Yes	Jumlah sampel per iterasi validasi.	8
  	Number of epochs	Yes	Total jumlah epoch pelatihan. Catatan Untuk model YOLOX, nilai parameter ini harus lebih besar daripada jumlah nilai parameter Warmup epochs dan Last no augmented lr epochs.	20
  	Log loss frequency	No	Interval pencetakan nilai loss. Nilai default adalah 200, yang berarti nilai loss dicetak setiap 200 batch pelatihan.	200
  	Validation frequency	No	Interval validasi dalam epoch. Nilai default adalah 2, yang berarti validasi dilakukan setiap dua epoch.	2
  	Warmup epochs	No	Parameter ini hanya berlaku untuk model YOLOX.	5
  	Last no augmented lr epochs	No	Parameter ini hanya berlaku untuk model YOLOX.	5
  	Export model format	Yes	Format model yang diekspor. Nilai yang valid: raw jit (format jit tidak didukung untuk model YOLOv5 dan YOLOv7.) onnx	raw
  	Checkpoint saving frequency	No	Interval (dalam epoch) untuk menyimpan file checkpoint. Nilai 1 berarti checkpoint disimpan setelah setiap epoch.	1
  Tuning	GPU machine type	Yes	Komponen ini memerlukan instans GPU untuk dijalankan.	4
  	Enable FP16	No	Mengaktifkan atau menonaktifkan mode presisi setengah FP16.	false
  	Execution mode	Yes	Hanya pelatihan terdistribusi pada DLC yang didukung.	Distributed DLC

• Port output

  Output port	Type	Downstream component
  Output model	Model yang telah dilatih disimpan dalam format SavedModel di path yang ditentukan dalam parameter OSS directory for training pada tab Field settings.	image prediction

Contoh

Untuk FCOS, YOLOX, YOLOv5, dan YOLOv7, Anda dapat menggunakan komponen Deteksi objek (easycv) untuk membangun pipeline seperti yang ditunjukkan pada gambar berikut.

Pada contoh ini, konfigurasikan komponen sebagai berikut:

1. Gunakan iTAG di PAI untuk memberi label gambar. Untuk informasi lebih lanjut, lihat Create a dataset for data labeling dan Create a labeling job.

   1. Setelah membuat dataset, pilih templat Object Detection di bawah General Template saat membuat pekerjaan pelabelan.

   2. Pada bagian Object Detection Label Configuration, pilih Single-label. Pada bagian Label Configuration, masukkan semua nama label yang diperlukan untuk mempermudah proses pelabelan.

   3. 

   4. Setelah pelabelan selesai, ekspor hasil pelabelan dalam format manifest ke Object Storage Service (OSS) agar komponen selanjutnya dapat menggunakannya.

   5. 

2. Gunakan komponen Read OSS Data untuk membaca file hasil pelabelan (misalnya, xxx.manifest). Atur parameter OSS Data Path pada komponen Read OSS Data ke path OSS dataset yang berisi hasil pelabelan. Contoh: oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest.

3. Hubungkan data pelatihan dan validasi ke komponen Deteksi objek (easycv) dan konfigurasikan parameternya. Untuk informasi lebih lanjut, lihat Konfigurasikan parameter komponen.

Untuk FCOS dan YOLOX, Anda juga dapat menggunakan komponen image prediction untuk melakukan inferensi offline. Untuk informasi lebih lanjut, lihat image prediction.

Dokumen terkait

• Setelah model deteksi objek dilatih, Anda dapat menghubungkan komponen image prediction di downstream komponen Deteksi objek (easycv) untuk melakukan prediksi dengan model tersebut dan mengevaluasi performanya. Untuk informasi lebih lanjut, lihat image prediction.

• Untuk informasi lebih lanjut tentang komponen Designer, lihat Designer overview.

• Designer menyediakan beberapa komponen algoritma preset. Anda dapat memilih komponen yang sesuai untuk kasus penggunaan Anda. Untuk informasi lebih lanjut, lihat Designer component reference.