Platform For AI:Pelatihan Klasifikasi Gambar (Torch)

Prasyarat

OSS telah diaktifkan, dan Machine Learning Studio telah diberi izin untuk mengakses OSS. Untuk informasi selengkapnya, lihat Aktifkan OSS dan Berikan izin untuk Designer.

Batasan

• Komponen algoritma ini hanya tersedia di Designer.

• Mesin komputasi yang didukung adalah Deep Learning Container (DLC).

Tentang algoritma

Komponen Image Classification Training (Torch) mendukung dua keluarga model utama: Convolutional Neural Network (CNN) dan Transformer. Komponen ini mencakup algoritma seperti ResNet, ResNeXt, HRNet, ViT, SwinT, dan MobileNetv2, serta menyediakan model pra-latih berdasarkan ImageNet untuk mempercepat fine-tuning.

Komponen Image Classification Training (Torch) terletak di subfolder Offline Training Models dalam folder Computer Vision Algorithms di pustaka komponen.

Konfigurasi komponen secara visual

• Port input

  Port input (kiri ke kanan)	Batasi Tipe Data	Komponen hulu yang disarankan	Wajib
  File anotasi data pelatihan	OSS	Read OSS Data	Tidak
  File anotasi data validasi	OSS	Read OSS Data	Tidak

• Parameter komponen

  Tab	Parameter	Wajib	Deskripsi	Nilai default
  Fields Setting	Training model type	Ya	Jenis algoritma yang digunakan untuk pelatihan. Hanya Classification yang didukung.	Classification
  	OSS directory to save training output	Ya	Direktori OSS tempat model yang telah dilatih disimpan. Contoh: oss://examplebucket/yunji.cjy/designer_test.	None
  	OSS path of training data annotation results file	Tidak	Konfigurasikan parameter ini hanya jika Anda tidak menyediakan file hasil anotasi data pelatihan melalui port input. Catatan Jika Anda menyediakan file hasil anotasi data pelatihan baik melalui port input maupun parameter ini, maka port input akan diprioritaskan. Jalur OSS file hasil anotasi data pelatihan. Contoh: oss://examplebucket/yunji.cjy/data/imagenet/meta/train_labeled.txt. Setiap baris dalam file train_labeled.txt mengikuti format berikut: absolute_path/image_name.jpg label_id. Penting Gunakan spasi untuk memisahkan jalur gambar dan label_id. Penting Komponen ini mendukung dua format data pelatihan: ClsSourceImageList dan ClsSourceItag. Anda dapat langsung menggunakan file data yang dianotasi dengan modul anotasi cerdas PAI.
  	OSS path of validation data annotation results file	Tidak	Konfigurasikan parameter ini hanya jika Anda tidak menyediakan file hasil anotasi data validasi melalui port input. Catatan Jika Anda menyediakan file hasil anotasi data validasi baik melalui port input maupun parameter ini, maka port input akan diprioritaskan. Jalur OSS file hasil anotasi data validasi. Contoh: oss://examplebucket/yunji.cjy/data/imagenet/meta/val_labeled.txt. Setiap baris dalam file val_labeled.txt mengikuti format berikut: absolute_path/image_name.jpg label_id. Penting Gunakan spasi untuk memisahkan jalur gambar dan label_id. Catatan Komponen ini mendukung dua format data pelatihan: ClsSourceImageList dan ClsSourceItag. Anda dapat langsung menggunakan file data yang dianotasi dengan modul anotasi cerdas PAI.	None
  	Class names list file	Ya	File ini menentukan daftar kelas untuk klasifikasi gambar. Anda dapat memasukkan nama kelas secara langsung atau menentukan jalur ke file TXT yang berisi nama kelas. Masukkan nama kelas secara langsung: Formatnya [name1,name2,...], pisahkan beberapa nama dengan koma. Contoh: [0, 1, 2] atau [person, dog, cat]. Tentukan jalur file TXT: Tulis nama kelas ke dalam file TXT, unggah ke bucket OSS di wilayah yang sama, lalu masukkan jalur OSS di sini. Dalam hal ini, pisahkan nama kelas dalam file TXT dengan koma atau line feed (\n). Contoh: 0, 1, 2 atau 0,\n1,\n2\n. Jika parameter ini kosong, nama kelas akan menggunakan nilai default str(0) hingga str(num_classes-1), di mana num_classes adalah jumlah kelas. Sebagai contoh, jika terdapat tiga kelas, daftar nama kelas default-nya adalah 0, 1, 2.	None
  	Data source format	Ya	Format data input. Nilai yang didukung: ClsSourceImageList dan ClsSourceItag.	ClsSourceItag
  	OSS path of pre-trained model	Tidak	Jika Anda memiliki model pra-latih sendiri, atur parameter ini ke jalur OSS-nya. Jika Anda tidak mengatur parameter ini, komponen akan menggunakan model pra-latih default yang disediakan oleh PAI.	None
  Parameters Setting	Backbone model for image classification	Ya	Model jaringan tulang punggung yang digunakan. Model yang didukung: resnet resnext hrnet vit swint mobilenetv2 inceptionv4	resnet
  	Number of image classes	Ya	Jumlah label kelas dalam data Anda.	None
  	Image resize size	Ya	Ubah ukuran semua gambar menjadi tinggi dan lebar tetap. Secara default, tinggi sama dengan lebar.	224
  	Optimization method	Ya	Metode optimasi untuk pelatihan model. Nilai yang didukung: SGD Adam	SGD
  	Initial learning rate	Ya	Tingkat pembelajaran awal.	0.05
  	Learning rate schedule	Ya	Kontrol tingkat pembelajaran menggunakan jadwal. Jadwal yang didukung adalah step: tentukan secara manual tingkat pembelajaran untuk setiap tahap.	step
  	lr step	Ya	Digunakan bersama jadwal tingkat pembelajaran. Pisahkan beberapa langkah dengan koma. Pada setiap epoch yang ditentukan, tingkat pembelajaran berkurang dengan faktor 0.1. Contoh: Tingkat pembelajaran awal adalah 0.1. Total epoch pelatihan adalah 20. Lr step adalah 5,10. Maka tingkat pembelajaran adalah 0.1 untuk epoch 1–5, 0.01 untuk epoch 5–10, dan 0.001 untuk epoch 10–20.	[30,60,90]
  	Training batch size	Ya	Jumlah sampel yang diproses per iterasi pelatihan (per langkah).	2
  	Evaluation batch size	Ya	Jumlah sampel yang dimuat per iterasi evaluasi (validasi) (per langkah).	2
  	Total training epochs	Ya	Satu epoch berarti satu kali melewati seluruh sampel. Total epoch adalah jumlah kali melewati seluruh sampel tersebut.	1
  	Checkpoint save frequency	Tidak	Seberapa sering checkpoint model disimpan. Nilai 1 berarti model disimpan setelah setiap epoch.	1
  	Exported model type	Ya	Format model yang diekspor. Format yang didukung: raw onnx	raw
  Execution Tuning	Number of processes per GPU for reading training data	Tidak	Jumlah proses per GPU yang digunakan untuk membaca data pelatihan.	4
  	Enable half precision	Tidak	Pilih opsi ini untuk menggunakan presisi setengah FP16 dalam pelatihan. Ini mengurangi penggunaan memori.	None
  	Standalone or distributed DLC	Ya	Mesin komputasi untuk menjalankan komponen. Pilih sesuai kebutuhan Anda. Mesin yang didukung: Standalone DLC Distributed DLC	Standalone DLC
  	Number of workers	Tidak	Konfigurasikan parameter ini hanya ketika mesinnya adalah Distributed DLC. Jumlah proses worker konkuren selama pelatihan.	1
  	CPU instance type	Tidak	Konfigurasikan parameter ini hanya ketika mesinnya adalah Distributed DLC. Tipe instans CPU yang digunakan.	16 vCPUs + 64 GB memory (ecs.g6.4xlarge)
  	GPU instance type	Ya	Tipe instans GPU yang digunakan.	8 vCPUs + 60 GB memory + 1 × P100 (ecs.gn5-c8g1.2xlarge)

• Port output

  Port output	Tipe data	Komponen hilir
  Output model	Jalur OSS. Ini adalah jalur OSS yang Anda konfigurasikan untuk parameter OSS directory to save the training output pada tab Field Settings. Model yang telah dilatih disimpan di jalur ini.	General Image Prediction

Contoh