Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra. # Hyperparamètres de la détection d'objet Dans la demande [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html), vous spécifiez l'algorithme de formation que vous voulez utiliser. Vous pouvez également spécifier les hyperparamètres propres à l'algorithme qui sont utilisés pour vous aider à estimer les paramètres du modèle à partir d'un ensemble de données d'entraînement. Le tableau suivant répertorie les hyperparamètres fournis par Amazon SageMaker AI pour l'entraînement de l'algorithme de détection d'objets. Pour plus d'informations sur le fonctionnement de l'entraînement d'objet, consultez [Fonctionnement de la détection d'objet](algo-object-detection-tech-notes.md). | Nom du paramètre | Description | | --- | --- | | num\$1classes | Nombre de classes de sortie. Ce paramètre définit les dimensions de la sortie du réseau et est généralement défini en fonction du nombre de classes dans le jeu de données. **Obligatoire** Valeurs valides : nombre entier positif | | num\$1training\$1samples | Nombre d'exemples d'entraînement du jeu de données en entrée. En cas de différence entre cette valeur et le nombre d'échantillons de l'ensemble d'entraînement, le comportement du paramètre `lr_scheduler_step` n'est pas défini et la précision de l'entraînement distribué peut en être affectée. **Obligatoire** Valeurs valides : nombre entier positif | | base\$1network | Architecture du réseau de base à utiliser. **Facultatif** Valeurs valides : « vgg-16 » ou « resnet-50 » Valeur par défaut : « vgg-16 » | | early\$1stopping | `True` pour utiliser une logique d'arrêt anticipé pendant l'entraînement. `False` pour ne pas l'utiliser. **Facultatif** Valeurs valides : `True` ou `False` Valeur par défaut : `False` | | early\$1stopping\$1min\$1epochs | Nombre minimum d'époques devant être exécutées avant de pouvoir invoquer une logique d'arrêt anticipé. Paramètre utilisé uniquement si `early_stopping` = `True`. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 10 | | early\$1stopping\$1patience | Nombre de dates epoch à attendre avant la fin de l'entraînement si aucune amélioration, comme défini par l'hyperparamètre `early_stopping_tolerance`, n'est apportée à la métrique appropriée. Paramètre utilisé uniquement si `early_stopping` = `True`. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 5 | | early\$1stopping\$1tolerance | La valeur de tolérance qu'apporte l'amélioration relative dans `validation:mAP`, (mAP), doit être dépassée pour éviter l'arrêt anticipé. Si le résultat de la division de l'amélioration de la précision mAP par la meilleure mAP est inférieur à la valeur `early_stopping_tolerance` définie, l'arrêt précoce considère qu'il n'y a eu aucune amélioration. Paramètre utilisé uniquement si `early_stopping` = `True`. **Facultatif** Valeurs valides : 0 ≤ valeur flottante ≤ 1 Valeur par défaut : 0.0 | | image\$1shape | Taille de l'image pour les images en entrée. Nous redimensionnons l'image d'entrée en une image carrée avec cette taille. Nous vous recommandons d'utiliser 300 et 512 afin d'améliorer les performances. **Facultatif** Valeurs valides : nombre entier positif ≥ 300 Valeur par défaut : 300 | | epochs | Nombre de dates epoch d'entraînement. **Facultatif** Valeurs valides : nombre entier positif Valeur par défaut : 30 | | freeze\$1layer\$1pattern | Expression régulière (regex) pour bloquer les couches dans le réseau de base. Par exemple, si vous définissez `freeze_layer_pattern` = `"^(conv1_\|conv2_).*"`, toutes les couches avec un nom qui contient `"conv1_"` ou `"conv2_"` sont bloquées, ce qui signifie que les pondérations de ces couches ne sont pas mises à jour au cours de l'entraînement. Les noms de couche figurent dans les fichiers de symbole du réseau des fichiers [vgg16-symbol.json](http://data.mxnet.io/models/imagenet/vgg/vgg16-symbol.json ) et [resnet-50-symbol.json](http://data.mxnet.io/models/imagenet/resnet/50-layers/resnet-50-symbol.json). Le gel d'une couche signifie que ses pondérations ne peuvent plus être modifiées. Cela peut réduire considérablement le temps d'entraînement en échange de légères pertes de précision. Cette technique est couramment utilisée pour l'apprentissage par transfert où les couches inférieures dans le réseau de base n'ont pas besoin d'être réentraînées. **Facultatif** Valeurs valides : chaîne Valeur par défaut : pas de couches bloquées. | | kv\$1store | Mode de synchronisation de la mise à jour de pondération utilisé pour l'entraînement distribué. Les pondérations peuvent être mises à jour de manière synchrone ou asynchrone sur plusieurs machines. En général, les mises à jour synchrones offrent une meilleure précision que les mises à jour asynchrones, mais elles peuvent être plus lentes. Consultez le MXNet didacticiel de [formation distribuée](https://mxnet.apache.org/api/faq/distributed_training) pour plus de détails. Ce paramètre n'est pas applicable à l'entraînement de machine unique. **Facultatif** Valeurs valides : `'dist_sync'` ou `'dist_async'` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/fr_fr/sagemaker/latest/dg/object-detection-api-config.html) Par défaut : - | | label\$1width | Largeur de l'étiquette de remplissage de force utilisée pour la synchronisation sur les données d'entraînement et les données de validation. Par exemple, si une image des données contient au plus 10 objets et que chaque annotation d'objet est spécifiée avec 5 nombres, [class\$1id, left, top, width, height], `label_width` ne doit pas être inférieur à (10\$15 \$1 longueur des informations d'en-tête). La longueur des informations d'en-tête est généralement 2. Nous vous recommandons d'utiliser une valeur `label_width` légèrement plus élevée pour l'entraînement, telle que 60 dans cet exemple. **Facultatif** Valeurs valides : nombre entier positif assez grand pour accueillir la plus grande longueur d'informations d'annotation dans les données. Par défaut: 350 | | learning\$1rate | Le taux d'apprentissage initial. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Par défaut: 0.001 | | lr\$1scheduler\$1factor | Ratio de réduction du taux d'apprentissage. Utilisation conjointe avec le paramètre `lr_scheduler_step` défini comme `lr_new` = `lr_old` \$1 `lr_scheduler_factor`. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Valeur par défaut : 0.1 | | lr\$1scheduler\$1step | Époques auxquelles le taux de formation est réduit. Le taux d'apprentissage est réduit de `lr_scheduler_factor` aux dates epoch répertoriées dans une chaîne séparée par des virgules : « epoch1, epoch2,... ». Par exemple, si la valeur est définie sur « 10, 20 » et que `lr_scheduler_factor` a la valeur 1/2, le taux d'apprentissage est réduit de moitié après la 10e date epoch, et à nouveau après la 20e date epoch. **Facultatif** Valeurs valides : chaîne Par défaut : chaîne vide | | mini\$1batch\$1size | Taille de lot pour l'entraînement. Dans un paramètre de machine unique à plusieurs GPU, chaque GPU gère `mini_batch_size`/`num_gpu` exemples d'entraînement. Pour l'entraînement à plusieurs machines en mode `dist_sync`, la taille de lot réelle est `mini_batch_size` \$1 nombre de machines. Une taille `mini_batch_size` élevée conduit généralement à un entraînement plus rapide, mais elle peut entraîner un problème de mémoire insuffisante. L'utilisation de la mémoire est liée à l'architecture `mini_batch_size`, `image_shape` et `base_network`. Par exemple, sur une même instance p3.2xlarge, la plus grande valeur de `mini_batch_size` sans erreur de mémoire insuffisante est 32 avec base\$1network défini sur « resnet-50 » et `image_shape` sur 300. Avec la même instance, vous pouvez utiliser 64 comme `mini_batch_size` avec le réseau de base `vgg-16` et `image_shape` ayant la valeur 300. **Facultatif** Valeurs valides : nombre entier positif Par défaut: 32 | | momentum | Vitesse pour `sgd`. Ignoré pour les autres optimiseurs. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Par défaut: 0.9 | | nms\$1threshold | Seuil de suppression non maximal. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Par défaut: 0.45 | | optimizer | Types d'optimiseur. Pour plus de détails sur les valeurs de l'optimiseur, consultez [MXNetl'API](https://mxnet.apache.org/api/python/docs/api/). **Facultatif** Valeurs valides : ['sgd', 'adam', 'rmsprop', 'adadelta'] Valeur par défaut : « sgd » | | overlap\$1threshold | Seuil de chevauchement de l'évaluation. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Par défaut: 0.5 | | use\$1pretrained\$1model | Indique s'il convient d'utiliser un modèle préentraîné pour l'entraînement. Lorsque cet indicateur est défini sur 1, le modèle préentraîné avec l'architecture correspondants est chargé et utilisé pour l'entraînement. Dans le cas contraire, le réseau est intégralement entraîné. **Facultatif** Valeurs valides : 0 ou 1 Valeur par défaut : 1 | | weight\$1decay | Coefficient de dégradation de pondération pour `sgd` et `rmsprop`. Ignoré pour les autres optimiseurs. **Facultatif** Valeurs valides : nombre flottant de l'intervalle [0,1] Par défaut: 0.0005 |