Konfigurasikan komponen deteksi objek (easycv) untuk pelatihan model - Platform For AI

Latih model deteksi objek menggunakan YOLOX, FCOS, YOLOv5, dan YOLOv7 untuk mengidentifikasi dan menentukan lokasi objek dalam gambar.

Prasyarat

OSS telah diaktifkan, dan Machine Learning Studio telah diberi izin untuk mengakses OSS. Untuk informasi lebih lanjut, lihat Aktifkan OSS dan Berikan izin yang diperlukan untuk menggunakan Machine Learning Designer.

Batasan

Hanya tersedia di Designer.
Hanya mesin DLC yang didukung.

Parameter

Input

Input port	Type	Upstream component	Required
Training data	OSS	Read OSS data	No Jika tidak dihubungkan, konfigurasikan Annotation file path for training set pada tab Field settings.
Validation data	OSS	Read OSS data	No Jika tidak dihubungkan, konfigurasikan Annotation file path for validation set pada tab Field settings.
Class list file	OSS	Read OSS data	No Jika tidak dihubungkan, konfigurasikan Class list file OSS path pada tab Field settings.

Konfigurasi

Tab	Parameter	Required	Description	Default
Field settings	Model type	Yes	Jenis model yang digunakan untuk pelatihan. Nilai yang valid: FCOS YOLOX YOLOv5 YOLOv7	YOLOX
	OSS directory for training	No	Direktori OSS untuk menyimpan model yang telah dilatih. Contoh: `examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/`. Jika dikosongkan, akan menggunakan path ruang kerja default.	None
	Annotation file path for training set	No	Jika data format adalah DetSourcePAI, berikan file dengan ekstensi `.manifest`. Jika data format adalah COCO, berikan file dengan ekstensi `.json`. Jika data pelatihan disediakan melalui input port, biarkan parameter ini kosong. Jika keduanya dikonfigurasi, input port akan diutamakan.	None
	Annotation file path for validation set	No	Jika data format adalah DetSourcePAI, berikan file dengan ekstensi `.manifest`. Jika data format adalah COCO, berikan file dengan ekstensi `.json`. Jika data validasi disediakan melalui input port, biarkan parameter ini kosong. Jika keduanya dikonfigurasi, input port akan diutamakan.	None
	Class list file OSS path	No	Tentukan file daftar label dengan ekstensi `.txt`. Jika file daftar kelas disediakan melalui input port, biarkan parameter ini kosong. Jika keduanya dikonfigurasi, input port akan diutamakan.	None
	Pre-trained model OSS path	No	Untuk menggunakan model pra-latih kustom, atur parameter ini ke path OSS-nya. Jika tidak ditentukan, PAI akan menggunakan model pra-latih default.	None
	Training data OSS path	Yes	Hanya muncul ketika data format adalah COCO. Tentukan path ke gambar pelatihan dalam format COCO.	None
	Validation data OSS path	Yes	Hanya muncul ketika data format adalah COCO. Tentukan path ke gambar evaluasi dalam format COCO.	None
	Data format	Yes	Nilai yang valid: COCO DetSourcePAI (model YOLOv5 dan YOLOv7 hanya mendukung format DetSourcePAI.)	DetSourcePAI
Parameters	YOLOX model structure	Yes	Hanya muncul ketika jenis model adalah YOLOX. Pilih struktur model yang diinginkan dari daftar drop-down. yolox-s yolox-m yolox-l yolox-x	yolox-s
	Number of classes	Yes	20	20
	Image scale	Yes	Ukuran gambar setelah di-resize. Pisahkan tinggi dan lebar dengan spasi. Contoh: `320 320`.	320 320
	Optimizer	Yes	Hanya dapat dikonfigurasi ketika jenis model adalah YOLOX. Optimizer untuk pelatihan model. Nilai yang valid: momentum adam	momentum
	Initial learning rate	Yes	Tingkat pembelajaran awal.	0.01
	Training batch size	Yes	Jumlah sampel yang digunakan dalam satu iterasi pelatihan.	8
	Validation batch size	Yes	Sampel yang digunakan dalam satu iterasi evaluasi.	8
	Number of epochs	Yes	Jumlah epoch pelatihan yang akan dijalankan. Catatan Untuk model YOLOX, total epoch harus melebihi jumlah dari warmup epochs dan Last no augmented lr epochs.	20
	Log loss frequency	No	Frekuensi pencatatan loss, dalam jumlah batch pelatihan. Nilai 200 berarti loss dicatat setiap 200 batch.	200
	Validation frequency	No	Interval validasi dalam epoch. Nilai 2 berarti validasi dijalankan setiap dua epoch.	2
	Warmup epochs	No	Hanya berlaku untuk model YOLOX.	5
	Last no augmented lr epochs	No	Hanya berlaku untuk model YOLOX.	5
	Export model format	Yes	Format model yang diekspor. Nilai yang valid: raw jit (model YOLOv5 dan YOLOv7 tidak mendukung format ini.) onnx	raw
	Checkpoint saving frequency	No	Frekuensi penyimpanan checkpoint model, dalam epoch. Nilai 1 berarti checkpoint disimpan setelah setiap epoch.	1
Tuning	GPU machine type	Yes	Memerlukan instans GPU untuk dijalankan.	4
	Enable FP16	No	Mengaktifkan pelatihan presisi setengah (half-precision) FP16.	false
	Execution mode	Yes	Hanya mendukung pelatihan terdistribusi pada DLC.	Distributed DLC

Output

Output port	Type	Downstream component
Output model	Path OSS yang ditentukan untuk OSS directory for training pada tab Field settings. Menyimpan model yang telah dilatih dalam format SavedModel.	image prediction

Contoh

Untuk model FCOS, YOLOX, YOLOv5, dan YOLOv7, gunakan komponen Deteksi objek (easycv) untuk membangun pipeline seperti yang ditunjukkan di bawah ini.

Konfigurasikan komponen dengan mengikuti langkah-langkah berikut:

Gunakan modul iTAG di PAI untuk memberi label pada gambar Anda. Untuk informasi lebih lanjut, lihat Buat dataset: untuk pelabelan data dan Buat pekerjaan pelabelan.
1. Setelah membuat dataset, pilih templat General Template di bawah Object Detection saat membuat pekerjaan pelabelan.
3. Untuk Object Detection Label Configuration, pilih Single-label. Di bawah Label Configuration, masukkan semua nama label Anda untuk menyederhanakan proses pelabelan.
5. Setelah selesai memberi label, ekspor hasilnya dalam format manifest ke OSS agar dapat digunakan oleh komponen.
Gunakan komponen Read OSS data untuk membaca file hasil pelabelan xxx.manifest, dan atur OSS Data Path ke path OSS dari dataset hasil pelabelan tersebut. Contohnya, oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest.
Hubungkan data pelatihan dan data validasi ke komponen Deteksi objek (easycv) dan konfigurasikan parameternya. Untuk detailnya, lihat Konfigurasi parameter komponen.

Untuk model FCOS dan YOLOX, lakukan inferensi offline menggunakan komponen image prediction. Untuk informasi lebih lanjut, lihat image prediction.

3eeb980b8371052b9785a02f3719c4aa

Dokumen terkait

Setelah melatih model deteksi objek, hubungkan komponen prediksi gambar di hilir komponen Deteksi objek (easycv) untuk menjalankan prediksi dan mengevaluasi kinerja model. Untuk informasi selengkapnya, lihat prediksi gambar.
Untuk informasi selengkapnya tentang komponen Designer, lihat Ikhtisar Designer.
Designer menawarkan berbagai komponen algoritma. Pilih komponen yang sesuai untuk skenario pemrosesan data Anda. Untuk informasi selengkapnya, lihat Referensi komponen Designer.