Platform For AI：deteksi pose

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.

Pengenalan

Deteksi pose menyediakan algoritma top-down arus utama. Algoritma tersebut dikategorikan ke dalam dua jenis: deteksi objek dan deteksi pose tunggal. Deteksi pose tunggal bergantung pada proposal algoritma deteksi dan mendukung model HRNet dan Lite-HRNet.

Anda dapat menemukan komponen deteksi pose di subfolder Offline Training di bawah folder Video Algorithm dari pustaka komponen.

Konfigurasi komponen di konsol PAI

• Port Input

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

• Parameter Komponen

  Tab	Parameter	Diperlukan	Deskripsi	Nilai default
  Fields Setting	model type	Ya	Tipe algoritma yang digunakan untuk pelatihan model. Hanya TopDown yang didukung.	TopDown
  	oss dir to save model	Tidak	Direktori Object Storage Service (OSS) tempat model pelatihan disimpan. Contoh: oss://examplebucket/output_dir/ckpt/.	Tidak ada
  	oss data path to training	Tidak	Jika Anda tidak menentukan data pelatihan untuk komponen ini dengan menggunakan port input data untuk pelatihan, Anda harus mengatur parameter ini. Direktori OSS tempat data pelatihan disimpan. Contoh: oss://examplebucket/data/train_images/. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data pelatihan, nilai yang ditentukan dengan menggunakan port input akan diutamakan.	Tidak ada
  	oss annotation path for training data	Tidak	Jika Anda tidak menentukan data pelatihan berlabel dengan menggunakan port input jalur anotasi data untuk pelatihan, Anda harus mengatur parameter ini. Direktori OSS tempat data pelatihan berlabel disimpan. Contoh: oss://examplebucket/data/annotations/train.json. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data pelatihan berlabel, nilai yang ditentukan dengan menggunakan port input akan diutamakan.	Tidak ada
  	oss data path to evaluation	Tidak	Jika Anda tidak menentukan data evaluasi dengan menggunakan port input data untuk evaluasi, Anda harus mengatur parameter ini. Direktori OSS tempat data evaluasi disimpan. Contoh: oss://examplebucket/data/val_images/. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data evaluasi, nilai yang ditentukan dengan menggunakan port input akan diutamakan.	Tidak ada
  	oss annotation path for evaluation data	Tidak	Jika Anda tidak menentukan data evaluasi berlabel dengan menggunakan port input jalur anotasi data untuk evaluasi, Anda harus mengatur parameter ini. Direktori OSS tempat data evaluasi berlabel disimpan. Contoh: oss://examplebucket/data/annotations/val.json. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan data evaluasi berlabel, nilai yang ditentukan dengan menggunakan port input akan diutamakan.	Tidak ada
  	oss path to dataset info file	Tidak	Jika Anda tidak menentukan file info dataset dengan menggunakan port input jalur info titik kunci data, Anda harus mengatur parameter ini. Direktori OSS tempat file info dataset disimpan. Contoh: oss://examplebucke/data/annotations/dataset_info.py. Catatan Jika Anda menggunakan port input dan parameter ini untuk menentukan file info dataset, nilai yang ditentukan dengan menggunakan port input akan diutamakan.	Tidak ada
  	Data Source Type	Ya	Format data input. Hanya DetSourceCOCO yang didukung.	DetSourceCOCO
  	oss path to pretrained model	Tidak	Direktori OSS tempat model pra-latih Anda disimpan. Jika Anda memiliki model pra-latih, atur parameter ini ke direktori OSS model pra-latih Anda. Jika Anda tidak mengatur parameter ini, model pra-latih default yang disediakan oleh PAI akan digunakan.	Tidak ada
  Parameters Setting	backbone	Ya	Model backbone yang ingin Anda gunakan. Model arus utama berikut didukung: hrnet lite_hrnet	hrnet
  	num keypoints	Ya	Jumlah kategori dalam data.	Tidak ada
  	image size after resizing	Ya	Ukuran tetap gambar setelah diubah ukuran. Pisahkan lebar dan tinggi dengan koma (,).	192,256
  	initial learning rate	Ya	Tingkat pembelajaran awal.	0,01
  	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
  	Ir step	Ya	Epoch di mana tingkat pembelajaran disesuaikan. Pisahkan beberapa nilai dengan koma (,). Jika jumlah epoch mencapai nilai yang ditentukan dalam parameter ini, tingkat pembelajaran berkurang sebesar 90%. Sebagai contoh, asumsikan bahwa tingkat pembelajaran awal diatur ke 0,1, jumlah total epoch diatur ke 20, dan parameter langkah lr 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 berkurang menjadi 0,01 dan terus berlanjut hingga epoch 10 berakhir. Ketika pelatihan memasuki epoch 11, tingkat pembelajaran berkurang menjadi 0,001 dan terus berlanjut hingga akhir semua epoch.	170,200
  	train batch size	Ya	Ukuran batch pelatihan, yang menunjukkan jumlah sampel data yang digunakan untuk pelatihan model dalam satu iterasi.	32
  	eval batch size	Ya	Ukuran batch evaluasi, yang menunjukkan jumlah sampel data yang digunakan untuk evaluasi model dalam satu iterasi.	32
  	total train epochs	Ya	Jumlah total epoch. Sebuah 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 sebuah epoch berakhir.	1
  Tuning	optimizer	Ya	Metode optimasi untuk pelatihan model. Nilai valid: SGD Adam	SGD
  	number process of reading data per gpu	Tidak	Jumlah thread yang digunakan untuk membaca data pelatihan untuk setiap GPU.	2
  	evtorch model with fp16	Tidak	Menentukan apakah akan mengaktifkan FP16 untuk mengurangi penggunaan memori selama pelatihan model.	Tidak ada
  	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	Jika Anda memilih distribute_on_dlc untuk parameter pekerja tunggal atau terdistribusi pada DLC, Anda harus mengatur parameter ini. Jumlah node kerja konkuren yang digunakan untuk komputasi.	1
  	cpu machine type	Tidak	Jika Anda memilih distribute_on_dlc untuk parameter pekerja tunggal atau terdistribusi pada DLC, Anda harus mengatur parameter ini. Spesifikasi CPU yang ingin Anda gunakan.	16vCPU+64GB Mem-ecs.g6.4xlarge
  	gpu machine type	Ya	Spesifikasi GPU yang ingin Anda gunakan.	8vCPU+60GB Mem+1xp100-ecs.gn5-c8g1.2xlarge

• Port Output

  Port Keluaran	Tipe data	Komponenhilir
  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