Semantische Segmentierungshyperparameter

In den folgenden Tabellen sind die Hyperparameter aufgeführt, die vom Semantischen Segmentierungsalgorithmus von Amazon SageMaker AI für Netzwerkarchitektur, Dateneingaben und Training unterstützt werden. Sie geben Semantische Segmentierung für Trainings im AlgorithmName der CreateTrainingJob-Anforderung an.

Netzwerkarchitekturhyperparameter

Name des Parameters Beschreibung

Name des Parameters	Beschreibung
`backbone`	Das Backbone, der für die Encoder-Komponente des Algorithmus verwendet werden soll. Optional Zulässige Werte: `resnet-50`, `resnet-101` Standardwert: `resnet-50`
`use_pretrained_model`	Gibt an, ob eine vortrainiertes Modell für das Backbone verwendet werden soll. Optional Zulässige Werte: `True`, `False` Standardwert: `True`
`algorithm`	Der Algorithmus, der für die semantische Segmentierung verwendet werden soll. Optional Zulässige Werte: `fcn`: Vollständig zusammengefasster Network () -Algorithmus FCN `psp`: Algorithmus zur Analyse von Pyramid-Szenen () PSP `deeplab`: DeepLab V3-Algorithmus Standardwert: `fcn`

backbone

Das Backbone, der für die Encoder-Komponente des Algorithmus verwendet werden soll.

Optional

Zulässige Werte: resnet-50, resnet-101

Standardwert: resnet-50

use_pretrained_model

Gibt an, ob eine vortrainiertes Modell für das Backbone verwendet werden soll.

Optional

Zulässige Werte: True, False

Standardwert: True

algorithm

Der Algorithmus, der für die semantische Segmentierung verwendet werden soll.

Optional

Zulässige Werte:

fcn: Vollständig zusammengefasster Network () -Algorithmus FCN
psp: Algorithmus zur Analyse von Pyramid-Szenen () PSP
deeplab: DeepLab V3-Algorithmus

Standardwert: fcn

Datenhyperparameter

Name des Parameters	Beschreibung
`num_classes`	Die Anzahl der Klassen, die segmentiert werden sollen. Erforderlich Gültige Werte: 2 ≤ positive Ganzzahl ≤ 254
`num_training_samples`	Die Anzahl von Stichproben in den Trainingsdaten. Der Algorithmus verwendet diesen Wert zum Einrichten der des Lernraten-Schedulers. Erforderlich Gültige Werte: positive Ganzzahl
`base_size`	Definiert, wie Bilder vor dem Zuschneiden neu skaliert werden. Bilder werden so neu skaliert, dass die Länge des langen Formats auf `base_size`, multipliziert mit einer Zufallszahl von 0,5 bis 2,0, eingestellt wird und das Kurzformat so berechnet wird, dass das Seitenverhältnis gewahrt bleibt. Optional Gültige Werte: positive Ganzzahl > 16 Standardwert: 520
`crop_size`	Die Bildgröße für die Eingabe während des Trainings. Wir skalieren das Eingabebild basierend auf `base_size` nach dem Zufallsprinzip neu und nehmen dann einen zufälligen quadratischen Zuschnitt mit der Seitenlänge gleich `crop_size`. Der Wert für `crop_size` wird automatisch auf ein Vielfaches von 8 aufgerundet. Optional Gültige Werte: positive Ganzzahl > 16 Standardwert: 240

Trainingshyperparameter

Name des Parameters	Beschreibung
`early_stopping`	Gibt an, ob die Logik zum frühzeitigen Beenden während des Trainings verwendet werden soll. Optional Zulässige Werte: `True`, `False` Standardwert: `False`
`early_stopping_min_epochs`	Die Mindestanzahl der Epochen, die ausgeführt werden müssen. Optional Gültige Werte: Ganzzahl Standardwert: 5
`early_stopping_patience`	Die Anzahl der Epochen, die die Toleranz für niedrigere Leistung erfüllen, bevor der Algorithmus eine frühzeitige Beendigung erzwingt. Optional Gültige Werte: Ganzzahl Standardwert: 4
`early_stopping_tolerance`	Wenn die relative Verbesserung der Punktzahl des Trainingsjobs, m, kleiner als dieser Wert istIOU, wird bei vorzeitigem Abbruch die Epoche als nicht verbessert angesehen. Dies wird nur verwendet, wenn `early_stopping` = `True`. Optional Gültige Werte: 0 ≤ Float ≤ 1 Standardwert: 0.0
`epochs`	Die Anzahl der Epochen, mit denen das Training durchgeführt werden soll. Optional Gültige Werte: positive Ganzzahl Standardwert: 10
`gamma1`	Ein Zerfallsfaktor für den gleitenden Durchschnitt des Verlaufs im Quadrat für `rmsprop`. Wird nur für`rmsprop` verwendet. Optional Gültige Werte: 0 ≤ Float ≤ 1 Standardwert: 0.9
`gamma2`	Der Impulsfaktor für `rmsprop`. Optional Gültige Werte: 0 ≤ Float ≤ 1 Standardwert: 0.9
`learning_rate`	Die anfängliche Lernrate. Optional Gültige Werte: 0 < Float ≤ 1 Standardwert: 0.001
`lr_scheduler`	Die Form des Lernraten-Schedulers, der die Verringerung im Zeitverlauf steuert. Optional Zulässige Werte: `step`: Ein schrittweiser Zerfall, bei dem die Lernrate mit den `lr_scheduler_factor` nachfolgenden Epochen reduziert (multipliziert) wird, angegeben durch `lr_scheduler_step`. `poly`: Eine allmählicher Zerfall unter Verwendung einer Polynomfunktion. `cosine`: Eine allmählicher Zerfall unter Verwendung einer Kosinusfunktion. Standardwert: `poly`
`lr_scheduler_factor`	Wenn `lr_scheduler` auf `step` gesetzt ist, ist das Verhältnis, um das `learning_rate` nach jeder der durch die angegebenen Epochen reduziert (multipliziert) werden soll, angegeben nach `lr_scheduler_step`. Andernfalls ignoriert. Optional Gültige Werte: 0 ≤ float ≤ 1 Standardwert: 0.1
`lr_scheduler_step`	Eine kommagetrennte Liste der Epochen, nach denen `learning_rate` mit einem reduziert (multipliziert) wird, nach `lr_scheduler_factor`. Wird der Wert z. B. auf "`"10, 20"` festgelegt, so wird die `learning-rate` nach der 10. Epoche um `lr_scheduler_factor` reduziert, und nach der 20. Epoche nochmals um diesen Faktor. Bedingt erforderlich, wenn `lr_scheduler` auf `step` gesetzt ist. Andernfalls ignoriert. Gültige Werte: Zeichenfolge Standardwert: (Kein Standardwert, da der Wert erforderlich ist, wenn er verwendet wird.)
`mini_batch_size`	Die Batch-Größe für das Training. Das Verwenden einer großen `mini_batch_size` beschleunigt in der Regel das Training, kann jedoch dazu führen, dass nicht mehr genügend Speicherplatz vorhanden ist. Die Speichernutzung wird von den Werten der Parameter `mini_batch_size` und `image_shape` und der Backbone-Architektur beeinflusst. Optional Gültige Werte: positive Ganzzahl Standardwert: 16
`momentum`	Die Dynamik für den `sgd`-Optimierer. Wenn Sie andere Optimierer verwenden, ignoriert der Algorithmus für die semantische Segmentierung diesen Parameter. Optional Gültige Werte: 0 < float ≤ 1 Standardwert: 0.9
`optimizer`	Der Typ des Optimierers. Für weitere Informationen zu einem Optimierer wählen Sie den entsprechenden Link aus: `adam`: Adaptive Momentum Estimation (Adaptive Momentschätzung) `adagrad`: Adaptiver Gradientenabstieg `nag`: Beschleunigter Gradient nach Nesterow `rmsprop`: Root Mean Square Propagation `sgd`: Stochastic Gradient Descent Optional Gültige Werte: `adam`, `adagrad`, `nag`, `rmsprop`, `sgd` Standardwert: `sgd`
`syncbn`	Wenn dieser Wert auf gesetzt ist`True`, werden der Mittelwert und die Varianz der Chargennormalisierung für alle Proben berechnet, die im Laufe der Zeit verarbeitet wurden. GPUs Optional Zulässige Werte: `True`, `False` Standardwert: `False`
`validation_mini_batch_size`	Die Stapelgröße für die Validierung. Eine große `mini_batch_size` beschleunigt in der Regel das Training, kann jedoch dazu führen, dass nicht mehr genügend Speicherplatz vorhanden ist. Die Speichernutzung wird von den Werten der Parameter `mini_batch_size` und `image_shape` und der Backbone-Architektur beeinflusst. Zur Bewertung der Validierung im gesamten Bild ohne Zuschneiden der Bilder, legen Sie diesen Parameter auf 1 fest. Verwenden Sie diese Option, wenn Sie die Leistung im gesamten Bild als Ganzes messen möchten. Anmerkung Wenn der `validation_mini_batch_size`-Parameter auf 1 festgelegt wird, erstellt der Algorithmus ein neues Netzwerkmodell für jedes Bild. Dadurch können die Validierung und Trainings verlangsamt werden. Zum Zuschneiden der Bilder auf die im `crop_size`-Parameter angegebene Größe, auch während der Auswertung, legen Sie diesen Parameter auf einen Wert größer als 1 fest. Optional Gültige Werte: positive Ganzzahl Standardwert: 16
`weight_decay`	Der Weight-Decay-Koeffizient für den `sgd`-Optimierer. Wenn Sie andere Optimierer verwenden, ignoriert der Algorithmus diesen Parameter. Optional Gültige Werte: 0 < Gleitkommazahl < 1 Standardwert: 0.0001

Warnung JavaScript ist in Ihrem Browser nicht verfügbar oder deaktiviert.

Zur Nutzung der AWS-Dokumentation muss JavaScript aktiviert sein. Weitere Informationen finden auf den Hilfe-Seiten Ihres Browsers.

Dokumentkonventionen

Semantische Segmentierung

Modell-Abstimmung

Semantische Segmentierungshyperparameter

Anmerkung