Cara menggunakan SageMaker AI Object Detection - TensorFlow algoritma

Anda dapat menggunakan Deteksi Objek - TensorFlow sebagai algoritma bawaan Amazon SageMaker AI. Bagian berikut menjelaskan cara menggunakan Deteksi Objek - TensorFlow dengan SageMaker AI Python SDK. Untuk informasi tentang cara menggunakan Deteksi Objek - TensorFlow dari UI Amazon SageMaker Studio Classic, lihatSageMaker JumpStart model pra-terlatih.

TensorFlow Algoritma Deteksi Objek mendukung pembelajaran transfer menggunakan salah satu TensorFlow model pra-latih yang kompatibel. Untuk daftar semua model pra-pelatihan yang tersedia, lihatTensorFlow Model. Setiap model pra-terlatih memiliki keunikan. model_id Contoh berikut menggunakan ResNet 50 (model_id:tensorflow-od1-ssd-resnet50-v1-fpn-640x640-coco17-tpu-8) untuk menyempurnakan dataset kustom. Semua model yang telah dilatih sebelumnya diunduh dari TensorFlow Hub dan disimpan di bucket Amazon S3 sehingga pekerjaan pelatihan dapat berjalan dalam isolasi jaringan. Gunakan artefak pelatihan model yang dibuat sebelumnya ini untuk membangun SageMaker AI ModelTrainer.

Pertama, ambil URI gambar Docker, URI skrip pelatihan, dan URI model yang telah dilatih sebelumnya. Kemudian, ubah hyperparameter sesuai keinginan Anda. Anda dapat melihat kamus Python dari semua hyperparameter yang tersedia dan nilai defaultnya denganhyperparameters.retrieve_default. Untuk informasi selengkapnya, lihat Deteksi Objek - TensorFlow Hyperparameter. Gunakan nilai-nilai ini untuk membangun SageMaker AI ModelTrainer.

Contoh ini menggunakan PennFudanPed dataset, yang berisi gambar pejalan kaki di jalan. Kami telah mengunduh dataset sebelumnya dan membuatnya tersedia dengan Amazon S3. Untuk menyempurnakan model Anda, hubungi .train() menggunakan lokasi Amazon S3 dari kumpulan data pelatihan Anda.

from sagemaker.core import image_uris
from sagemaker.core import model_uris, script_uris, hyperparameters
from sagemaker.train import ModelTrainer
from sagemaker.train.configs import InputData
from sagemaker.train.configs import SourceCode, Compute, StoppingCondition, OutputDataConfig

model_id, model_version = "tensorflow-od1-ssd-resnet50-v1-fpn-640x640-coco17-tpu-8", "*"
training_instance_type = "ml.p3.2xlarge"

# Retrieve the Docker image
train_image_uri = image_uris.retrieve(model_id=model_id,model_version=model_version,image_scope="training",instance_type=training_instance_type,region=None,framework=None)

# Retrieve the training script
train_source_uri = script_uris.retrieve(model_id=model_id, model_version=model_version, script_scope="training")

# Retrieve the pretrained model tarball for transfer learning
train_model_uri = model_uris.retrieve(model_id=model_id, model_version=model_version, model_scope="training")

# Retrieve the default hyperparameters for fine-tuning the model
hyperparameters = hyperparameters.retrieve_default(model_id=model_id, model_version=model_version)

# [Optional] Override default hyperparameters with custom values
hyperparameters["epochs"] = "5"

# Sample training data is available in this bucket
training_data_bucket = f"jumpstart-cache-prod-{aws_region}"
training_data_prefix = "training-datasets/PennFudanPed_COCO_format/"

training_dataset_s3_path = f"s3://{training_data_bucket}/{training_data_prefix}"

output_bucket = sess.default_bucket()
output_prefix = "jumpstart-example-od-training"
s3_output_location = f"s3://{output_bucket}/{output_prefix}/output"

# Create a ModelTrainer instance
tf_od_model_trainer = ModelTrainer(
    role=aws_role,
    training_image=train_image_uri,
    source_code=SourceCode(source_dir=train_source_uri, entry_script="transfer_learning.py"),
    # In V3, pre-trained model artifacts are passed via input_data_config
    compute=Compute(instance_type=training_instance_type, instance_count=1),
    stopping_condition=StoppingCondition(max_runtime_in_seconds=360000),
    hyperparameters=hyperparameters,
    output_data_config=OutputDataConfig(s3_output_path=s3_output_location),
)

# Launch a training job
tf_od_model_trainer.train(
    input_data_config=[
        InputData(channel_name="training", data_source=training_dataset_s3_path),
        InputData(channel_name="model", data_source=train_model_uri),
    ]
)

Untuk informasi selengkapnya tentang cara menggunakan SageMaker AI Object Detection - TensorFlow algoritma untuk transfer pembelajaran pada dataset khusus, lihat Peng antar SageMaker TensorFlow - Buku catatan Deteksi Objek.