Platform For AI：Klasifikasi gambar (torch)

Prasyarat

OSS telah diaktifkan, dan Machine Learning Studio diberi otorisasi untuk mengakses OSS. Untuk informasi lebih lanjut, lihat Aktifkan OSS dan Berikan Izin yang Diperlukan untuk Menggunakan Machine Learning Designer.

Batasan

• Komponen deteksi pose hanya tersedia di Machine Learning Designer dari Platform for AI (PAI).

• Komponen deteksi pose hanya dapat digunakan dengan sumber daya komputasi Deep Learning Containers (DLC) dari PAI.

Informasi latar belakang

Komponen Klasifikasi Gambar (torch) menyediakan berbagai jenis model jaringan saraf konvolusional (CNN) dan transformer serta mendukung algoritma ResNet, ResNeXt, HRNet, ViT, SwinT, dan MobileNet-v2. Komponen ini juga menyediakan model ImageNet yang telah dilatih sebelumnya untuk memfasilitasi penyetelan model.

Anda dapat menemukan komponen Klasifikasi Gambar (torch) di subfolder Offline Training dalam folder Video Algorithm dari pustaka komponen.

Konfigurasikan komponen di konsol PAI

• Port Input

  Port input (dari kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
  jalur anotasi data untuk pelatihan	OSS	Baca Data File	Tidak
  jalur anotasi data untuk evaluasi	OSS	Baca Data File	Tidak

• Parameter Komponen

  Tab	Parameter	Diperlukan	Deskripsi	Nilai default
  Fields Setting	model type	Ya	Tipe model yang digunakan untuk pelatihan model. Hanya Classification yang didukung.	Klasifikasi
  	oss dir to save model	Ya	Direktori Object Storage Service (OSS) tempat model pelatihan disimpan. Contoh: oss://examplebucket/yunji.cjy/designer_test.	N/A
  	oss annotation path for training data	Tidak	Jika Anda tidak menggunakan port input jalur anotasi data untuk pelatihan untuk menentukan data pelatihan berlabel, Anda harus mengonfigurasi parameter ini. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data pelatihan berlabel, nilai yang ditentukan oleh port input akan diutamakan. Jalur OSS dari data pelatihan berlabel. Contoh: oss://examplebucket/yunji.cjy/data/imagenet/meta/train_labeled.txt. Setiap catatan data dalam file train_labeled.txt disimpan dalam format jalur absolut/nama gambar.jpg label_id. Penting Pisahkan jalur penyimpanan gambar dan label_id dengan spasi. Penting Komponen mendukung format berikut: ClsSourceImageList dan ClsSourceItag. Anda dapat menggunakan data yang dilabeli oleh iTAG sebagai input pelatihan.
  	oss annotation path for evaluation data	Tidak	Jika Anda tidak menggunakan port input jalur anotasi data untuk evaluasi untuk menentukan data evaluasi berlabel, Anda harus mengonfigurasi parameter ini. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data evaluasi berlabel, nilai yang ditentukan oleh port input akan diutamakan. Jalur OSS dari data evaluasi berlabel. Contoh: oss://examplebucket/yunji.cjy/data/imagenet/meta/val_labeled.txt. Setiap catatan data dalam file val_labeled.txt disimpan dalam format jalur absolut/nama gambar.jpg label_id. Penting Pisahkan jalur penyimpanan gambar dan label_id dengan spasi. Catatan Komponen mendukung format berikut: ClsSourceImageList dan ClsSourceItag. Anda dapat menggunakan data yang dilabeli oleh iTAG sebagai input pelatihan.	N/A
  	class list file	Ya	Parameter class list file menentukan daftar nama kategori gambar. Anda dapat menentukan nama kategori atau jalur file TXT yang menyimpan nama kategori. Jika Anda menentukan nama kategori, gunakan format berikut: [nama1,nama2,……]. Pisahkan beberapa nama kategori dengan koma (,). Contoh: [0, 1, 2] dan [person, dog, cat]. Jika Anda menentukan jalur file TXT, tambahkan nama kategori ke file TXT, unggah file ke Bucket OSS di wilayah yang sama, lalu tentukan jalur OSS dari file tersebut. Anda dapat memisahkan nama kategori dalam file TXT dengan koma (,) atau baris baru (\n). Contoh: 0, 1, 2 dan 0, \n 1, \n 2\n. Jika Anda tidak mengonfigurasi parameter ini, nama kategori mulai dari str(0) hingga str(num_classes-1) akan digunakan. num_classes menunjukkan jumlah kategori. Jika jumlah kategori yang dihasilkan oleh klasifikasi gambar adalah 3, nama kategorinya adalah 0,1,2.	N/A
  	Data Source Type	Ya	Tipe data input. Nilai valid: ClsSourceImageList dan ClsSourceItag.	ClsSourceItag
  	oss path for pretrained model	Tidak	Jalur OSS tempat model pra-latih Anda disimpan. Jika Anda memiliki model pra-latih, atur parameter ini ke jalur OSS model pra-latih Anda. Jika Anda tidak mengonfigurasi parameter ini, model pra-latih default yang disediakan oleh PAI akan digunakan.	N/A
  Parameters Setting	backbone	Ya	Model backbone yang ingin Anda gunakan. Nilai valid: resnet resnext hrnet vit swint mobilenetv2 inceptionv4	resnet
  	num classes	Ya	Jumlah kategori dalam data.	N/A
  	image size after resizing	Ya	Panjang dan lebar ke mana gambar diubah ukurannya. Secara default, panjang dan lebar sama.	224
  	optimizer	Ya	Metode optimasi untuk pelatihan model. Nilai valid: SGD Adam	SGD
  	initial learning rate	Ya	Tingkat pembelajaran awal.	0.05
  	learning rate policy	Ya	Kebijakan yang digunakan untuk menyesuaikan tingkat pembelajaran. Hanya step yang didukung. Nilai step menunjukkan bahwa tingkat pembelajaran disesuaikan secara manual pada epoch tertentu.	step
  	lr step	Ya	Epoch di mana tingkat pembelajaran disesuaikan. Pisahkan beberapa nilai dengan koma (,). Jika jumlah epoch mencapai nilai yang ditentukan oleh parameter ini, tingkat pembelajaran secara otomatis menurun sebesar 90%. Sebagai contoh, tingkat pembelajaran awal diatur ke 0.1, jumlah total epoch diatur ke 20, dan parameter lr step diatur ke 5,10. Dalam hal ini, ketika pelatihan berada di epoch 1 hingga 5, tingkat pembelajaran adalah 0.1. Ketika pelatihan memasuki epoch 6, tingkat pembelajaran menurun menjadi 0.01 dan terus berlanjut hingga epoch 10 berakhir. Ketika pelatihan memasuki epoch 11, tingkat pembelajaran menurun menjadi 0.001 dan terus berlanjut hingga akhir semua epoch.	[30,60,90]
  	train batch size	Ya	Ukuran batch pelatihan. Nilainya menunjukkan jumlah sampel data yang digunakan untuk pelatihan model dalam satu iterasi.	2
  	eval batch size	Ya	Ukuran batch evaluasi. Nilainya menunjukkan jumlah sampel data yang digunakan untuk evaluasi model dalam setiap iterasi.	2
  	total train epochs	Ya	Jumlah total epoch. Epoch berakhir ketika satu putaran pelatihan selesai pada semua sampel data. Jumlah total epoch menunjukkan jumlah total putaran pelatihan yang dilakukan pada sampel data.	1
  	save checkpoint epoch	Tidak	Frekuensi penyimpanan checkpoint. Sebagai contoh, nilai 1 menunjukkan bahwa checkpoint disimpan setiap kali epoch berakhir.	1
  	type of export model	Ya	Format dalam model diekspor. Nilai valid: raw onnx	raw
  Tuning	number process of reading data per gpu	Tidak	Jumlah thread yang digunakan untuk membaca data pelatihan untuk setiap GPU.	4
  	use fp 16	Tidak	Menentukan apakah akan mengaktifkan FP16 untuk mengurangi penggunaan memori selama pelatihan model.	N/A
  	single worker or distributed on DLC	Ya	Mesin komputasi yang digunakan untuk menjalankan komponen. Anda dapat memilih mesin komputasi berdasarkan kebutuhan bisnis Anda. Nilai valid: single_on_dlc distribute_on_dlc	single_on_dlc
  	number of worker	Tidak	Parameter ini diperlukan jika Anda menetapkan parameter pekerja tunggal atau terdistribusi pada DLC ke distribute_on_dlc. Jumlah pekerja konkuren untuk komputasi.	1
  	cpu machine type	Tidak	Parameter ini hanya diperlukan jika Anda mentetapkan parameter pekerja tunggal atau terdistribusi pada DLC ke distribute_on_dlc. Tipe CPU yang ingin Anda gunakan.	16vCPU+64GB Mem-ecs.g6.4xlarge
  	gpu machine type	Ya	Tipe GPU yang ingin Anda gunakan.	8vCPU+60GB Mem+1xp100-ecs.gn5-c8g1.2xlarge

• Port Output

  Port Keluaran	Tipe data	Komponen hilir
  model output	Direktori OSS tempat model output disimpan. Nilainya sama dengan yang Anda tentukan untuk parameter oss dir to save model pada tab Fields Setting.	prediksi gambar

Contoh