Platform For AI：Deteksi objek (easycv)

Prasyarat

Object Storage Service (OSS) telah diaktifkan, dan Machine Learning Studio telah 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 Objek (easycv) hanya tersedia di Machine Learning Designer dari PAI.

• Anda dapat menggunakan komponen Deteksi Objek (easycv) berdasarkan Deep Learning Containers (DLC).

Konfigurasikan komponen di konsol PAI

• Port Input

  Port input (dari kiri ke kanan)	Tipe data	Komponen hulu yang direkomendasikan	Diperlukan
  TFRecords untuk Pelatihan	OSS	Baca Data File	Tidak. Jika Anda tidak ingin menggunakan port untuk input ini, Anda perlu mengonfigurasi parameter oss path to training tfrecord pada tab Fields Setting.
  TFRecords untuk Evaluasi	OSS	Baca Data File	Tidak. Jika Anda tidak ingin menggunakan port untuk input ini, Anda perlu mengonfigurasi parameter oss path to evaluation tfrecord pada tab Fields Setting.
  file daftar kelas yolov5	OSS	Baca Data File	Tidak. Jika Anda tidak ingin menggunakan port untuk input ini, Anda perlu mengonfigurasi parameter oss path of class list file pada tab Fields Setting.

• Parameter Komponen

  Tab	Parameter	Diperlukan	Deskripsi	Nilai default
  Fields Setting	model type	Ya	Tipe model yang ingin Anda latih. Nilai valid: FCOS YOLOX YOLOv5 YOLOv7	YOLOX
  	oss dir to save model	Tidak	Path OSS tempat Anda ingin menyimpan model yang dilatih. Contoh: examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/. Jika Anda membiarkan parameter ini kosong, path default dari workspace akan digunakan.	N/A
  	oss annotation path for training set	Tidak	Jika Anda menetapkan data format ke DetSourcePAI, unggah file dalam format .manifest. Jika Anda menetapkan data format ke COCO, unggah file dalam format .json. Jika Anda mengonfigurasi port input, Anda dapat membiarkan parameter ini kosong. Jika Anda mengonfigurasi baik port input maupun parameter ini, tugas pelatihan menggunakan nilai yang disediakan oleh port input.	N/A
  	oss annotation path for validation set	Tidak	Jika Anda menetapkan data format ke DetSourcePAI, unggah file dalam format .manifest. Jika Anda menetapkan data format ke COCO, unggah file dalam format .json. Jika Anda mengonfigurasi port input, Anda dapat membiarkan parameter ini kosong. Saat port input dan parameter ini dikonfigurasi, tugas pelatihan menggunakan nilai yang disediakan oleh port input.	N/A
  	oss path of class list file	Tidak	Tentukan file yang berisi daftar tag dalam format .txt. Jika Anda mengonfigurasi port input, Anda dapat membiarkan parameter ini kosong. Jika Anda mengonfigurasi baik port input maupun parameter ini, tugas pelatihan menggunakan nilai yang disediakan oleh port input.	N/A
  	oss path to pretrained model	Tidak	Path Object Storage Service (OSS) tempat model pra-latih Anda disimpan. Jika Anda memiliki model pra-latih, atur parameter ini ke path OSS dari model pra-latih Anda. Jika Anda membiarkan parameter ini kosong, model pra-latih default yang disediakan oleh PAI akan digunakan.	N/A
  	oss path to training tfrecord	Ya	Path untuk data pelatihan. Parameter ini diperlukan hanya jika Anda menetapkan sumber data ke COCO.	N/A
  	oss path to evaluation tfrecord	Ya	Path untuk data evaluasi. Parameter ini diperlukan hanya jika Anda menetapkan sumber data ke COCO.
  	data format	Ya	Ruang lingkup acara. Nilai valid: COCO DetSourcePAI (Tipe model YOLOv5 dan YOLOv7 hanya mendukung dataset dalam format DetSourcePAI)	DetSourcePAI
  Parameters Setting	YOLOX model Structure	Ya	Parameter ini diperlukan hanya jika Anda menetapkan tipe model ke YOLOX. Pilih tipe model YOLOX yang ingin Anda gunakan dari daftar drop-down. yolox-s yolox-m yolox-l yolox-x	yolo-s
  	num classes	Ya	Jumlah kategori dalam dataset.	20
  	image scale	Ya	Ukuran gambar setelah diubah ukurannya. Pisahkan tinggi dan lebar dengan spasi. Contoh: 320 320.	320 320
  	optimizer	Ya	Parameter ini diperlukan hanya jika Anda menetapkan parameter model type ke YOLOX. Metode optimasi untuk pelatihan model. Nilai valid: momentum adam	momentum
  	initial learning rate	Ya	Tingkat pembelajaran awal.	0.01
  	batch size	Ya	Ukuran batch pelatihan. Parameter ini menentukan jumlah sampel yang digunakan selama proses pelatihan dan siklus pelatihan iteratif berikutnya.	8
  	eval batch size	Ya	Ukuran batch evaluasi. Parameter ini menentukan jumlah sampel yang digunakan selama proses pelatihan dan siklus pelatihan iteratif berikutnya.	8
  	num epochs	Ya	Jumlah total epoch pelatihan. Catatan Jika Anda menetapkan tipe model ke YOLOX, jumlah total epoch harus lebih besar dari jumlah epoch pemanasan dan epoch dengan tingkat pembelajaran stabil. Epoch dengan tingkat pembelajaran stabil ditentukan oleh parameter last no augmented lr epochs.	20
  	loss frequency	Tidak	Frekuensi pencetakan nilai loss. Nilai default adalah 200, yang menunjukkan bahwa nilai loss dicetak setiap 200 batch.
  	Verification frequency	Tidak	Nilai default adalah 2, yang menunjukkan bahwa verifikasi dilakukan setiap tiga epoch.
  	warmup epochs	Tidak	Parameter ini diperlukan hanya jika Anda menetapkan tipe model ke YOLOX.	5
  	last no augmented lr epochs	Tidak	Parameter ini diperlukan hanya jika Anda menetapkan tipe model ke YOLOX.	5
  	type of export model	Ya	Format dalam model diekspor. Nilai valid: raw jit (Tipe model YOLOv5 dan YOLOv7 tidak mendukung ekspor dalam format jit) onnx	raw
  	save checkpoint epoch	Tidak	Frekuensi penyimpanan checkpoint. Nilai 1 menunjukkan bahwa semua data disimpan sekali untuk satu iterasi.	1
  Tuning	gpu machine type	Ya	Anda perlu menentukan spesifikasi GPU untuk algoritma ini.	4
  	evtorch model with fp16	Tidak	Menentukan apakah akan mengaktifkan FP16 untuk mengurangi penggunaan memori selama pelatihan model.	false
  	single worker or distributed on MaxCompute or DLC	Ya	Hanya distribute_on_dlc yang tersedia.	distribute_on_dlc

• Port Output

  Port output (dari kiri ke kanan)	Tipe data	Komponen hilir
  Model output	Path OSS tempat model output disimpan. Nilainya sama dengan nilai yang Anda tentukan untuk parameter oss dir to save model pada tab Fields Setting. Model output dalam format SavedModel disimpan di path OSS ini.	prediksi gambar

Contoh