Platform For AI：Pembelajaran Metrik Gambar (mentah)

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 pembelajaran metrik gambar (mentah) hanya dapat digunakan dengan sumber daya komputasi Deep Learning Containers (DLC).

Ikhtisar

Komponen pembelajaran metrik gambar (mentah) menyediakan berbagai model arus utama seperti ResNet50, ResNet18, ResNet34, ResNet101, swint_tiny, swint_small, swint_base, vit_tiny, vit_small, vit_base, xcit_tiny, xcit_small, dan xcit_base.

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. Nilai valid: DataParallelMetricLearning ModelParallelMetricLearning	DataParallelMetricLearning
  	oss dir to save model	Ya	Direktori Object Storage Service (OSS) tempat model pelatihan disimpan. Contoh: oss://examplebucket/yun****/designer_test.	Tidak ada
  	oss annotation path for training data	Tidak	Jika Anda tidak menentukan data pelatihan berlabel menggunakan port input, 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 tempat data pelatihan berlabel disimpan. Contoh: oss://examplebucket/yun****/data/imagenet/meta/train_labeled.txt. Setiap rekaman data dalam file train_labeled.txt disimpan dalam format jalur absolut/nama gambar.jpg label_id. Penting jalur penyimpanan gambar dan label_id dipisahkan oleh spasi.	Tidak ada
  	oss annotation path for evaluation data	Tidak	Jika Anda tidak menggunakan jalur anotasi data evaluasi port input 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 tempat data evaluasi berlabel disimpan. Contoh: oss://examplebucket/yun****/data/imagenet/meta/val_labeled.txt. Setiap rekaman data dalam file val_labeled.txt disimpan dalam format jalur absolut/nama gambar.jpg label_id. Penting jalur penyimpanan gambar dan label_id dipisahkan oleh spasi.	Tidak ada
  	class list file	Tidak	Anda dapat menentukan nama kelas atau mengatur parameter ini ke jalur OSS tempat file TXT yang berisi nama kelas berada.	Tidak ada
  	Data Source Type	Ya	Tipe data input. Nilai valid: ClsSourceImageList dan ClsSourceItag.	ClsSourceImageList
  	oss path for pretrained model	Tidak	Jalur OSS model pre-trained Anda. Jika Anda memiliki model pre-trained, atur parameter ini ke jalur OSS model pre-trained Anda. Jika Anda tidak mengonfigurasi parameter ini, model pre-trained default yang disediakan oleh PAI akan digunakan.	Tidak ada
  Parameters Setting	backbone	Ya	Model backbone yang ingin Anda gunakan. Nilai valid: resnet_50 resnet_18 resnet_34 resnet_101 swin_transformer_tiny swin_transformer_small swin_transformer_base	resnet50
  	image size after resizing	Ya	Ukuran gambar yang diubah ukuran. Satuan: piksel.	224
  	backbone output channels	Ya	Dimensi fitur yang diekspor oleh model arus utama. Nilainya harus berupa bilangan bulat.	2048
  	backbone output channels	Ya	Dimensi fitur yang diekspor oleh neck. Nilainya harus berupa bilangan bulat.	1536
  	training data classification label range	Ya	Jumlah dimensi dalam data keluaran.	Tidak ada
  	metric loss	Ya	Fungsi loss mengevaluasi tingkat ketidaksesuaian antara nilai yang diprediksi oleh model pelatihan dan nilai aktual. Nilai valid: AMSoftmax recommend margin 0.4 scale 30 ArcFaceLoss recommend margin 28.6 scale 64 CosFaceLoss recommend margin 0.35 scale 64 LargeMarginSoftmaxLoss recommend margin 4 scale 1 SphereFaceLoss recommend margin 4 scale 1 ModelParallel AMSoftmax ModelParallel Softmax	AMSoftmax rekomendasi margin 0.4 skala 30
  	metric learning loss scale parameter	Ya	Skala yang ingin Anda gunakan untuk fungsi loss. Konfigurasikan parameter ini berdasarkan fungsi loss yang Anda pilih.	30
  	metric learning loss margin parameter	Ya	Margin yang ingin Anda gunakan untuk fungsi loss. Konfigurasikan parameter ini berdasarkan fungsi loss yang Anda pilih.	0.4
  	metric learning loss weight in all losses	Tidak	Bobot yang ingin Anda gunakan untuk fungsi loss, yang menunjukkan rasio optimasi pembelajaran metrik dan model klasifikasi.	1.0
  	optimizer	Ya	Metode optimasi untuk pelatihan model. Nilai valid: SGD AdamW	SGD
  	initial learning rate	Ya	Tingkat pembelajaran awal. Nilainya adalah bilangan desimal.	0.03
  	batch size	Ya	Ukuran batch pelatihan, yang menunjukkan jumlah sampel data yang digunakan untuk pelatihan model dalam setiap iterasi.	Tidak ada
  	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.	200
  	save checkpoint epoch	Tidak	Frekuensi penyimpanan checkpoint. Nilai 1 menunjukkan bahwa checkpoint disimpan setiap kali epoch berakhir.	10
  Execution Tuning	io thread num for training.	Tidak	Jumlah thread yang digunakan untuk membaca data pelatihan.	4
  	use fp 16	Tidak	Menentukan apakah akan mengaktifkan FP16 untuk mengurangi penggunaan memori selama pelatihan model.	Tidak ada
  	single worker or distributed on MaxCompute or 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	Jika Anda memilih distribute_on_dlc untuk parameter pekerja tunggal atau terdistribusi pada MaxCompute atau DLC, Anda harus mengatur parameter ini. Jumlah pekerja konkuren yang digunakan dalam komputasi.	1
  	gpu machine type	Ya	Spesifikasi GPU yang ingin Anda gunakan.	8vCPU+60GB Mem+1xp100-ecs.gn5-c8g1.2xlarge

Contoh