YOLOX、FCOS、YOLOv5、YOLOv7 を使用してオブジェクト検出モデルをトレーニングし、イメージ内のエンティティを識別・特定します。
前提条件
OSS が有効化され、Machine Learning Studio が OSS へのアクセスを承認されている必要があります。詳細については、「OSS の有効化」および「Machine Learning Designer を使用するために必要な権限の付与」をご参照ください。
制限事項
-
Designer でのみ利用可能です。
-
DLC エンジンのみがサポートされています。
パラメーター
-
入力
入力ポート
タイプ
上流コンポーネント
必須
トレーニングデータ
OSS
いいえ
接続されていない場合は、[フィールド設定] タブで [トレーニングセットのアノテーションファイルパス] を設定します。
検証データ
OSS
いいえ
接続されていない場合は、[フィールド設定] タブで [検証セットのアノテーションファイルパス] を設定します。
クラスリストファイル
OSS
いいえ
接続されていない場合は、[フィールド設定] タブで [クラスリストファイルの OSS パス] を設定します。
-
設定
タブ
パラメーター
必須
説明
デフォルト値
フィールド設定
モデルタイプ
はい
トレーニングに使用するモデルタイプ。有効値：
-
FCOS
-
YOLOX
-
YOLOv5
-
YOLOv7
YOLOX
トレーニング用 OSS ディレクトリ
いいえ
トレーニング済みモデルを格納する OSS ディレクトリ。例：
examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/。空白の場合、デフォルトのワークスペースパスが使用されます。なし
トレーニングセットのアノテーションファイルパス
いいえ
-
[データ形式] が DetSourcePAI の場合は、
.manifest拡張子のファイルを提供します。 -
[データ形式] が COCO の場合は、
.json拡張子のファイルを提供します。
入力ポート経由でトレーニングデータが提供される場合は、このパラメーターを空のままにします。両方が設定されている場合、入力ポートが優先されます。
なし
検証セットのアノテーションファイルパス
いいえ
-
[データ形式] が DetSourcePAI の場合は、
.manifest拡張子のファイルを提供します。 -
[データ形式] が COCO の場合は、
.json拡張子のファイルを提供します。
入力ポート経由で検証データが提供される場合は、このパラメーターを空のままにします。両方が設定されている場合、入力ポートが優先されます。
なし
クラスリストファイルの OSS パス
いいえ
.txt拡張子のラベルリストファイルを指定します。入力ポート経由でクラスリストファイルが提供される場合は、このパラメーターを空のままにします。両方が設定されている場合、入力ポートが優先されます。
なし
事前学習済みモデルの OSS パス
いいえ
カスタムの事前学習済みモデルを使用するには、このパラメーターにその OSS パスを設定します。指定しない場合、PAI はデフォルトの事前学習済みモデルを使用します。
なし
トレーニングデータの OSS パス
はい
[データ形式] が COCO の場合にのみ表示されます。COCO フォーマットのトレーニングイメージへのパスを指定します。
なし
検証データの OSS パス
はい
[データ形式] が COCO の場合にのみ表示されます。COCO フォーマットの評価イメージへのパスを指定します。
なし
データ形式
はい
有効値：
-
COCO
-
DetSourcePAI (YOLOv5 および YOLOv7 モデルは、DetSourcePAI フォーマットのみをサポートします。)
DetSourcePAI
Parameters
YOLOX モデル構造
はい
モデルタイプが YOLOX の場合にのみ表示されます。ドロップダウンリストから目的のモデル構造を選択します。
-
yolox-s
-
yolox-m
-
yolox-l
-
yolox-x
yolox-s
クラス数
はい
20
20
イメージスケール
はい
リサイズ後のイメージのサイズ。高さと幅をスペースで区切ります。例：
320 320。320 320
オプティマイザー
はい
モデルタイプが YOLOX の場合にのみ設定可能です。
モデルトレーニング用のオプティマイザー。有効値：
-
momentum
-
adam
momentum
初期学習率
はい
初期学習率。
0.01
トレーニングバッチサイズ
はい
1 回のトレーニング反復で使用されるサンプル数。
8
検証バッチサイズ
はい
1 回の評価反復で使用されるサンプル数。
8
エポック数
はい
実行するトレーニングエポック数。
説明YOLOX モデルの場合、合計エポック数は [ウォームアップエポック] と [拡張なしの最終エポック数] の合計を超える必要があります。
20
ログ損失周波数
いいえ
損失をログに記録する頻度をトレーニングバッチ単位で指定します。値が 200 の場合、200 バッチごとに損失が記録されます。
200
検証頻度
いいえ
検証間隔をエポック単位で指定します。値が 2 の場合、2 エポックごとに検証が実行されます。
2
ウォームアップエポック
いいえ
YOLOX モデルにのみ適用されます。
5
拡張なしの最終エポック数
いいえ
YOLOX モデルにのみ適用されます。
5
エクスポートモデルフォーマット
はい
エクスポートされるモデルのフォーマット。有効値：
-
raw
-
jit (YOLOv5 および YOLOv7 モデルはこのフォーマットをサポートしていません。)
-
onnx
raw
チェックポイントの保存頻度
いいえ
モデルのチェックポイントを保存する頻度をエポック単位で指定します。値が 1 の場合、1 エポックごとにチェックポイントが保存されます。
1
Tuning
GPU マシンタイプ
はい
実行するには GPU インスタンスが必要です。
4
FP16 の有効化
いいえ
FP16 半精度トレーニングを有効にします。
false
実行モード
はい
DLC での分散トレーニングのみをサポートします。
分散 DLC
-
-
出力
出力ポート
タイプ
下流コンポーネント
出力モデル
[フィールド設定] タブの [トレーニング用 OSS ディレクトリ] に指定された OSS パス。トレーニング済みモデルを SavedModel フォーマットで格納します。
例
FCOS、YOLOX、YOLOv5、YOLOv7 モデルでは、以下に示すように、オブジェクト検出 (easycv) コンポーネントを使用してパイプラインを構築します。
以下の手順に従ってコンポーネントを設定します：
-
PAI の iTAG モジュールを使用してイメージにラベルを付けます。詳細については、「データセットの作成：データラベリング用」および「ラベリングジョブの作成」をご参照ください。
-
データセットを作成した後、ラベル付けタスクを作成する際に、General Template テンプレートを Object Detection の下から選択します。
-
-
[オブジェクト検出ラベル設定] で、[単一ラベル] を選択します。[ラベル設定] で、すべてのラベル名を入力してラベル付けを簡素化します。
-
-
ラベル付けが完了したら、コンポーネントが使用できるように、結果を manifest フォーマットで OSS にエクスポートします。
-
-
-
[OSS データの読み取り] コンポーネントを使用して、ラベル付けされた結果ファイル xxx.manifest を読み取り、[OSS データパス] をラベル付けされた結果データセットの OSS パスに設定します。例：
oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest。 -
トレーニングデータと検証データを [オブジェクト検出 (easycv)] コンポーネントに接続し、そのパラメーターを設定します。詳細については、「コンポーネントパラメーターの設定」をご参照ください。
FCOS および YOLOX モデルの場合、[イメージ予測] コンポーネントを使用して静的推論を実行します。詳細については、「イメージ予測」をご参照ください。
関連ドキュメント
-
オブジェクト検出モデルをトレーニングした後、[オブジェクト検出 (easycv)] コンポーネントの下流に [イメージ予測] コンポーネントを接続して、予測を実行し、モデルのパフォーマンスを評価します。詳細については、「イメージ予測」をご参照ください。
-
Designer コンポーネントの詳細については、「Designer の概要」をご参照ください。
-
Designer はさまざまなアルゴリズムコンポーネントを提供しています。データ処理シナリオに適したコンポーネントを選択してください。詳細については、「Designer コンポーネントリファレンス」をご参照ください。