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.

Régler la détection d'un objet - TensorFlow modèle

Le réglage de modèle automatique, ou réglage d'hyperparamètre, détecte la meilleure version d'un modèle en exécutant plusieurs tâches qui testent une plage d'hyperparamètres sur votre jeu de données. Vous choisissez les hyperparamètres réglables, une plage de valeurs pour chacun d'eux et une métrique d'objectif. Vous choisissez la métrique d'objectif parmi les métriques que calcule l'algorithme. Le réglage de modèle automatique recherche parmi les hyperparamètres choisis la combinaison de valeurs qui produira un modèle permettant d'optimiser la métrique d'objectif.

Pour plus d'informations sur le réglage de modèle, consultez Effectuez le réglage automatique du modèle avec SageMaker.

Métriques calculées par l' TensorFlowalgorithme de détection d'objets

Reportez-vous au tableau suivant pour savoir quelles mesures sont calculées par l' TensorFlow algorithme de détection d'objets.

Détection d'objets réglable - hyperparamètres TensorFlow

Personnalisez un modèle de détection d'objet avec les hyperparamètres suivants. Les hyperparamètres qui ont le plus d'impact sur la métrique d'objectif de détection d'objet sont : batch_size, learning_rate et optimizer. Réglez les hyperparamètres associés à l'optimiseur, tels que momentum, regularizers_l2, beta_1, beta_2 et eps, en fonction de l'optimizer sélectionné. Par exemple, utilisez beta_1 et beta_2 uniquement si adam = optimizer.

Pour plus d'informations sur les hyperparamètres qui sont utilisés pour chaque optimizer, consultez Détection d'objets - TensorFlow Hyperparamètres.