Platform For AI:Object detection (easycv)

Pré-requisitos

Ative o OSS e autorize o Machine Learning Studio a acessá-lo. Para mais informações, consulte 开通OSS服务 e Grant required permissions to use Machine Learning Designer.

Limitações

• Este componente está disponível apenas no Designer.

• Há suporte apenas ao mecanismo DLC.

Configure parâmetros do componente

• Portas de entrada

  Porta de entrada	Tipo	Componente upstream	Obrigatório
  Dados de treinamento	Object Storage Service	Read File Data	Não. Caso não conecte esta porta, configure o parâmetro Training data OSS path na aba Field settings.
  Dados de validação	Object Storage Service	Read File Data	Não. Se não conectar esta porta, defina o parâmetro Validation data OSS path na aba Field settings.
  Arquivo de lista de classes	Object Storage Service	Read File Data	Não. Na ausência de conexão nesta porta, especifique o parâmetro Class list file OSS path na aba Field settings.

• Parâmetros do componente

  Aba	Parâmetro	Obrigatório	Descrição	Padrão
  Field settings	Model type	Sim	Arquitetura do modelo para treinamento. Valores válidos: FCOS YOLOX YOLOv5 YOLOv7	YOLOX
  	OSS directory for training	Não	Diretório do OSS para armazenar o modelo treinado. Exemplo: examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/. Se este parâmetro permanecer vazio, o componente usa o caminho padrão do workspace.	Nenhum
  	Annotation file path for training set	Não	Se Data format estiver definido como DetSourcePAI, forneça um arquivo com extensão .manifest. Caso Data format seja COCO, use um arquivo com extensão .json. Este parâmetro é opcional se você fornecer dados de treinamento pela porta de entrada. Quando ambos estiverem configurados, a entrada pela porta terá precedência.	Nenhum
  	Annotation file path for validation set	Não	Quando Data format for DetSourcePAI, informe um arquivo com extensão .manifest. Para Data format definido como COCO, indique um arquivo com extensão .json. Não é necessário preencher este parâmetro se você fornecer dados de validação pela porta de entrada. A entrada pela porta prevalece caso ambas as configurações existam.	Nenhum
  	Class list file OSS path	Não	Especifique o caminho do OSS para o arquivo de lista de rótulos, que deve ter a extensão .txt. Desnecessário se você fornecer o arquivo de lista de classes via porta de entrada. A conexão na porta tem prioridade sobre este parâmetro.	Nenhum
  	Pre-trained model OSS path	Não	Caminho do OSS para seu modelo pré-treinado personalizado. O PAI usa um modelo pré-treinado padrão caso você não configure este parâmetro.	Nenhum
  	Training data OSS path	Sim	Visível apenas quando Data format estiver definido como COCO. Indique o caminho para as imagens de treinamento no formato COCO.	Nenhum
  	Validation data OSS path	Sim	Exibido somente se Data format for COCO. Defina o caminho das imagens de validação no formato COCO.	Nenhum
  	Data format	Sim	Formato do conjunto de dados de source. Opções disponíveis: COCO DetSourcePAI (os modelos YOLOv5 e YOLOv7 suportam apenas conjuntos de dados DetSourcePAI.)	DetSourcePAI
  Parameters	YOLOX model structure	Sim	Aparece apenas quando Model type for YOLOX. Selecione uma estrutura na lista suspensa. Valores válidos: yolox-s yolox-m yolox-l yolox-x	yolox-s
  	Number of classes	Sim	Quantidade de rótulos de classe no conjunto de dados.	20
  	Image scale	Sim	Dimensão da imagem após o redimensionamento. Separe altura e largura com um espaço. Exemplo: 320 320.	320 320
  	Optimizer	Sim	Disponível exclusivamente quando Model type for YOLOX. Método de otimização para o treinamento do modelo. Opções: momentum adam	momentum
  	Initial learning rate	Sim	Taxa de aprendizado inicial.	0.01
  	Training batch size	Sim	Número de amostras por iteração de treinamento.	8
  	Validation batch size	Sim	Quantidade de amostras por iteração de validação.	8
  	Number of epochs	Sim	Total de épocas de treinamento. Nota Em modelos YOLOX, o valor deste parâmetro deve superar a soma dos valores de Warmup epochs e Last no augmented lr epochs.	20
  	Log loss frequency	Não	Intervalo para impressão do valor de perda. O padrão é 200, ou seja, o sistema exibe o valor a cada 200 batches de treinamento.	200
  	Validation frequency	Não	Frequência de validação em épocas. O valor padrão 2 indica que a validação ocorre a cada duas épocas.	2
  	Warmup epochs	Não	Aplicável apenas aos modelos YOLOX.	5
  	Last no augmented lr epochs	Não	Relevante somente para modelos YOLOX.	5
  	Export model format	Sim	Formato de exportação do modelo. Escolha entre: raw jit (formato jit não compatível com os modelos YOLOv5 e YOLOv7.) onnx	raw
  	Checkpoint saving frequency	Não	Intervalo (em épocas) para salvar arquivos de checkpoint. O valor 1 salva um checkpoint ao final de cada época.	1
  Tuning	GPU machine type	Sim	Este componente requer uma instância com GPU para execução.	4
  	Enable FP16	Não	Ative ou desative o modo de meia precisão FP16.	false
  	Execution mode	Sim	Suporta apenas treinamento distribuído no DLC.	Distributed DLC

• Portas de saída

  Porta de saída	Tipo	Componente downstream
  Modelo de saída	O modelo treinado fica armazenado no formato SavedModel, no caminho definido pelo parâmetro OSS directory for training na aba Field settings.	image prediction

Exemplo

Para FCOS, YOLOX, YOLOv5 e YOLOv7, utilize o componente Object detection (easycv) para montar um pipeline conforme ilustrado abaixo.

Neste exemplo, configure os componentes da seguinte forma:

1. Use o iTAG no PAI para rotular as imagens. Consulte Create a dataset for data labeling e Create a labeling job para mais detalhes.

   Nota

   O iTAG tem suporte limitado a certas regiões. Verifique iTAG Regions and zones para mais informações.

   1. Após criar o conjunto de dados, selecione o modelo Object Detection em General Template ao criar o job de rotulagem.

   2. Na seção Object Detection Label Configuration, escolha Single-label. Em seguida, na seção Label Configuration, insira todos os nomes de rótulo necessários para agilizar o processo.

      

   3. Concluída a rotulagem, exporte os resultados no formato manifest para o Object Storage Service (OSS), permitindo que os componentes subsequentes os utilizem.

      

2. Use o componente Read File Data para ler o arquivo de resultados da rotulagem (por exemplo, xxx.manifest). Defina o parâmetro OSS Data Path do componente Read File Data com o caminho do OSS onde está o conjunto de dados rotulado. Exemplo: oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest.

3. Conecte os dados de treinamento e validação ao componente Object detection (easycv) e ajuste seus parâmetros. Veja mais em Configure component parameters.

Para FCOS e YOLOX, também é possível usar o componente image prediction para executar inferência offline. Consulte image prediction para detalhes.

Documentos relacionados

• Depois de treinar o modelo de detecção de objetos, conecte um componente de previsão de imagens downstream do Object detection (easycv) para gerar previsões e avaliar o desempenho do modelo. Saiba mais em image prediction.

• Para informações detalhadas sobre os componentes do Designer, consulte Designer overview.

• O Designer disponibiliza diversos componentes de algoritmos predefinidos. Escolha o mais adequado ao seu caso de uso. Veja Designer component reference para mais opções.