Platform For AI:Pelatihan metric learning gambar (raw)

Prasyarat

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

Batasan

Mesin komputasi yang didukung adalah DLC.

Deskripsi algoritma

Komponen Image Metric Learning Training (raw) menyediakan model umum, seperti resnet50, resnet18, resnet34, resnet101, swint_tiny, swint_small, swint_base, vit_tiny, vit_small, vit_base, xcit_tiny, xcit_small, dan xcit_base.

Konfigurasi komponen

• Input Stub

  Input Port (dari kiri ke kanan)	Tipe data yang dibatasi	Komponen Hulu yang Direkomendasikan	Wajib
  Training data annotation file	OSS	Read OSS Data	No
  Evaluation data annotation file	OSS	Read OSS Data	No

• Parameter komponen

  Tab	Parameter	Wajib	Deskripsi	Nilai Default
  Field Settings	Metric learning model type	Yes	Tipe algoritma untuk pelatihan model. Nilai yang valid: Data-parallel metric learning Model-parallel metric learning	Data-parallel metric learning
  	OSS directory to save training output	Yes	Direktori OSS tempat model pelatihan disimpan. Contoh: oss://examplebucket/yun****/designer_test.	None
  	Path of the training data annotation file	No	Konfigurasikan parameter ini jika tidak ada training data annotation file yang terhubung ke input port. Catatan Jika file dikonfigurasi melalui input port dan parameter ini secara bersamaan, komponen akan menggunakan data dari input port. Jalur OSS tempat file anotasi data pelatihan disimpan. Contoh: oss://examplebucket/yourfolder****/data/imagenet/meta/train_labeled.txt. Setiap baris dalam file train_labeled.txt harus mengikuti format berikut: absolute path/image_name.jpg label_id. Penting Gunakan spasi untuk memisahkan image path dari label_id.	None
  	Path of the validation data annotation file	No	Konfigurasikan parameter ini jika tidak ada evaluation data annotation file yang terhubung ke input port. Catatan Jika file dikonfigurasi melalui input port dan parameter ini secara bersamaan, komponen akan menggunakan data dari input port. Jalur OSS tempat file anotasi data validasi disimpan. Contoh: oss://examplebucket/yourfolder****/data/imagenet/meta/val_labeled.txt. Setiap baris dalam file val_labeled.txt harus mengikuti format berikut: absolute path/image_name.jpg label_id. Penting Gunakan spasi untuk memisahkan image path dari label_id.	None
  	File of class name list	No	Masukkan nama kelas secara langsung atau tentukan jalur OSS file .txt yang berisi daftar nama kelas.	None
  	Data source format	Yes	Format data masukan. Nilai yang valid adalah ClsSourceImageList dan ClsSourceItag.	ClsSourceImageList
  	OSS path of the pre-trained model	No	Jika tersedia model pra-latih kustom, atur parameter ini ke jalur OSS-nya. Jika tidak dikonfigurasi, PAI akan menggunakan model pra-latih default.	None
  Parameter Settings	Backbone for the metric learning model	Yes	Pilih model utama. Nilai yang valid: resnet_50 resnet_18 resnet_34 resnet_101 swin_transformer_tiny swin_transformer_small swin_transformer_base	resnet50
  	Image resize size	Yes	Ukuran gambar setelah diubah ukurannya dalam piksel.	224
  	Feature dimension of the backbone output	Yes	Dimensi fitur dari output model utama. Harus berupa bilangan bulat.	2048
  	Feature dimension of the feature output	Yes	Dimensi fitur dari output Neck. Harus berupa bilangan bulat.	1536
  	Number of classes for training data classification annotation	Yes	Jumlah dimensi output yang ditetapkan untuk metric learning.	None
  	Loss function for the metric learning model	Yes	Fungsi loss mengevaluasi perbedaan antara nilai prediksi dan nilai aktual dari model pelatihan. Nilai yang valid: AMSoftmax (recommended parameters: margin 0.4, scale 30) ArcFaceLoss (recommended parameters: margin 28.6, scale 64) CosFaceLoss (recommended parameters: margin 0.35, scale 64) LargeMarginSoftmaxLoss (recommended parameters: margin 4, scale 1) SphereFaceLoss (recommended parameters: margin 4, scale 1) Model-parallel AMSoftmax, whose classification limit can be extended with the number of GPUs Model-parallel Softmax, whose classification limit can be extended with the number of GPUs	AMSoftmax (parameter yang direkomendasikan: margin 0.4, scale 30)
  	Scale parameter for the metric learning loss function	Yes	Atur parameter ini berdasarkan fungsi loss yang digunakan untuk metric learning.	30
  	Margin parameter for the metric learning loss function	Yes	Atur parameter ini berdasarkan fungsi loss yang digunakan untuk metric learning.	0.4
  	Weight of the metric learning loss function	No	Bobot fungsi loss. Nilai ini menyeimbangkan rasio optimasi antara metric dan klasifikasi.	1.0
  	Optimization method	Yes	Metode optimasi untuk pelatihan model. Nilai yang valid: SGD AdamW	SGD
  	Initial learning rate	Yes	Tingkat pembelajaran awal. Harus berupa bilangan titik mengambang.	0.03
  	Training batch_size	Yes	Ukuran Batch untuk pelatihan. Jumlah sampel yang dilatih dalam setiap iterasi (step) selama pelatihan model.	None
  	Total training epochs	Yes	Satu epoch adalah satu putaran penuh pelatihan pada semua sampel. Jumlah total epoch adalah jumlah total putaran pelatihan semua sampel.	200
  	Checkpoint saving frequency	No	Frekuensi penyimpanan file model. Nilai 1 berarti model disimpan setelah setiap epoch.	10
  Execution Tuning	Number of threads to read training data	No	Jumlah proses untuk membaca data pelatihan.	4
  	Enable half-precision	No	Pilih parameter ini untuk menggunakan half-precision dalam pelatihan model. Ini mengurangi penggunaan memori.	None
  	Single-node or distributed (MaxCompute/DLC)	Yes	Mesin tempat komponen dijalankan. Pilih mesin sesuai kebutuhan. Mesin komputasi yang didukung: Standalone DLC Distributed DLC	Standalone DLC
  	Number of workers	No	Konfigurasikan parameter ini saat mesin yang digunakan adalah Distributed DLC. Jumlah proses konkuren (workers) selama pelatihan.	1
  	GPU model selection	Yes	Pilih spesifikasi GPU untuk menjalankan komponen.	8vCPU+60GB Mem+1xp100-ecs.gn5-c8g1.2xlarge

Contoh