As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

# Hiperparâmetros de detecção de objetos
<a name="object-detection-api-config"></a>

Na solicitação [https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html), é especificado o algoritmo de treinamento que você deseja utilizar. Você também pode definir hiperparâmetros específicos de algoritmo que são usados para ajudar a estimar os parâmetros do modelo a partir de um conjunto de dados de treinamento. A tabela a seguir lista os hiperparâmetros fornecidos pela Amazon SageMaker AI para treinar o algoritmo de detecção de objetos. Para obter mais informações sobre como funciona o treinamento de objetos, consulte [Como funciona a detecção de objetos](algo-object-detection-tech-notes.md).


| Nome do parâmetro | Description | 
| --- | --- | 
| num\$1classes |  O número de classes de saída. Esse parâmetro especifica as dimensões da rede de saída e geralmente é definido como o número de classes do conjunto de dados. **Obrigatório** Valores válidos: inteiro positivo  | 
| num\$1training\$1samples |  O número de exemplos de treinamento no conjunto de dados de entrada.  Se esse valor não corresponder ao número de amostras do conjunto de treinamento, o comportamento do parâmetro `lr_scheduler_step` será indefinido, e a precisão do treinamento distribuído poderá ser afetada.  **Obrigatório** Valores válidos: inteiro positivo  | 
| base\$1network |  A arquitetura de rede básica a ser usada. **Opcional** Valores válidos: 'vgg-16' ou 'resnet-50' Valor padrão: 'vgg-16'  | 
| early\$1stopping |  `True` para usar a lógica de interrupção precoce durante o treinamento. `False` para não usá-la. **Opcional** Valores válidos: `True` ou `False` Valor padrão: `False`  | 
| early\$1stopping\$1min\$1epochs |  O número mínimo de epochs que devem ser executados antes que a lógica de interrupção precoce possa ser invocada. Usado apenas quando `early_stopping` = `True`. **Opcional** Valores válidos: inteiro positivo Valor padrão: 10  | 
| early\$1stopping\$1patience |  O número de epochs a aguardar antes de terminar o treinamento, se nenhuma melhoria, conforme definido pelo hiperparâmetro `early_stopping_tolerance`, for feita na métrica relevante. Usado apenas quando `early_stopping` = `True`. **Opcional** Valores válidos: inteiro positivo Valor padrão: 5  | 
| early\$1stopping\$1tolerance |  O valor de tolerância que a melhoria relativa em `validation:mAP`, a precisão média da média (mAP), deve exceder para evitar a interrupção precoce. Se a proporção da alteração na mAP dividida pela melhor mAP anterior for menor que o conjunto de valores de `early_stopping_tolerance`, a interrupção precoce considerará que não há melhoria. Usado apenas quando `early_stopping` = `True`. **Opcional** Valores válidos: 0 ≤ flutuante ≤ 1 Valor padrão: 0.0  | 
| image\$1shape |  O tamanho da imagem para imagens de entrada. Redimensionamos a imagem de entrada para uma imagem quadrada com esse tamanho. Convém usar 300 e 512 para um melhor desempenho. **Opcional** Valores válidos: inteiro positivo ≥300 Padrão: 300  | 
| epochs |  O número de epochs de treinamento.  **Opcional** Valores válidos: inteiro positivo Padrão: 30  | 
| freeze\$1layer\$1pattern |  A expressão regular (regex) para congelamento de camadas na rede base. Por exemplo, se definirmos `freeze_layer_pattern` = `"^(conv1_\|conv2_).*"`, todas as camadas com um nome que contenha `"conv1_"` ou `"conv2_"` serão congeladas, o que significa que os pesos dessas camadas não serão atualizados durante o treinamento. Os nomes das camadas podem ser encontrados nos arquivos de símbolo da rede [vgg16-symbol.json](http://data.mxnet.io/models/imagenet/vgg/vgg16-symbol.json ) e [resnet-50-symbol.json](http://data.mxnet.io/models/imagenet/resnet/50-layers/resnet-50-symbol.json). Congelar uma camada significa que seus pesos não podem ser modificados ainda mais. Isso pode reduzir significativamente o tempo de treinamento em troca de perdas modestas de precisão. Tal técnica é comumente usada na aprendizado de transferência, em que as camadas inferiores da rede básica não precisam ser treinadas novamente. **Opcional** Valores válidos: string Padrão: nenhuma camada congelada.  | 
| kv\$1store |  O modo de sincronização de atualização de peso usado para treinamento distribuído. Os pesos podem ser atualizados de forma síncrona ou assíncrona entre as máquinas. As atualizações síncronas geralmente oferecem mais precisão do que as assíncronas, mas podem ser mais lentas. Consulte o MXNet tutorial de [treinamento distribuído](https://mxnet.apache.org/api/faq/distributed_training) para obter detalhes.  Esse parâmetro não é aplicável a treinamentos em uma máquina só.  **Opcional** Valores válidos: `'dist_sync'` ou `'dist_async'` [\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/pt_br/sagemaker/latest/dg/object-detection-api-config.html) Padrão: -  | 
| label\$1width |  A largura do rótulo para forçar preenchimento usado para sincronizar dados de treinamento e validação. Por exemplo, se uma imagem nos dados contiver no máximo 10 objetos e a anotação de cada objeto for especificada com 5 números, [class\$1id, left, top, width, height], `label_width` não deverá ser menor que (10\$15 \$1 comprimento da informações do cabeçalho). O comprimento das informações do cabeçalho é geralmente 2. Recomendamos o uso de um `label_width` um pouco maior para o treinamento, como 60 para esse exemplo. **Opcional** Valores válidos: um número inteiro positivo grande o suficiente para acomodar o maior comprimento de informações de anotação nos dados. Padrão: 350  | 
| learning\$1rate |  A taxa de aprendizado inicial. **Opcional** Valores válidos: flutuante em (0, 1] Padrão: 0.001  | 
| lr\$1scheduler\$1factor |  O índice de redução da taxa de aprendizado. Usado em conjunto com o parâmetro `lr_scheduler_step`, definido como `lr_new` = `lr_old` \$1 `lr_scheduler_factor`. **Opcional** Valores válidos: flutuante em (0, 1) Padrão: 0.1  | 
| lr\$1scheduler\$1step |  Os epochs nos quais a taxa de aprendizado deve ser reduzida. A taxa de aprendizado é reduzida em `lr_scheduler_factor` em epochs listados em uma string delimitada por vírgula: "epoch1, epoch2, ...". Por exemplo, se o valor for definido como "10, 20" e o `lr_scheduler_factor` for definido como 1/2, a taxa de aprendizado será reduzida pela metade após o 10° epoch e, em seguida, reduzida pela metade após o 20° epoch. **Opcional** Valores válidos: string Padrão: string vazia  | 
| mini\$1batch\$1size |  O tamanho do lote para treinamento. Em uma configuração com uma máquina e várias GPUs, cada GPU trata as amostras de treinamento `mini_batch_size`/`num_gpu`. Para o treinamento com várias máquinas no modo `dist_sync`, o tamanho do lote real é `mini_batch_size`\$1número de máquinas. Um `mini_batch_size` grande geralmente resulta em um treinamento mais rápido, mas pode causar problemas de falta de memória. O uso da memória está relacionado às arquiteturas `mini_batch_size`, `image_shape` e `base_network`. Por exemplo, em uma única instância p3.2xlarge, o maior `mini_batch_size` sem um erro de falta de memória é 32 com base\$1network definido como "resnet-50" e um `image_shape` de 300. Com a mesma instância, você pode usar 64 como `mini_batch_size` com a rede básica `vgg-16` e um `image_shape` de 300. **Opcional** Valores válidos: inteiro positivo Padrão: 32  | 
| momentum |  A dinâmica de `sgd`. Ignorado por outros otimizadores. **Opcional** Valores válidos: flutuante em (0, 1] Padrão: 0.9  | 
| nms\$1threshold |  O limite de supressão não máximo. **Opcional** Valores válidos: flutuante em (0, 1] Padrão: 0.45  | 
| optimizer |  Os tipos de otimizador. Para obter detalhes sobre os valores do otimizador, consulte [MXNeta API](https://mxnet.apache.org/api/python/docs/api/). **Opcional** Valores válidos: ['sgd', 'adam', 'rmsprop', 'adadelta'] Padrão: 'sgd'  | 
| overlap\$1threshold |  O limite de sobreposição de avaliação. **Opcional** Valores válidos: flutuante em (0, 1] Padrão: 0.5  | 
| use\$1pretrained\$1model |  Indica se é necessário usar um modelo pré-treinado para treinamento. Se definido como 1, o modelo pré-treinado com arquitetura correspondente é carregado e usado para treinamento. Caso contrário, a rede é treinada do zero. **Opcional** Valores válidos: 0 ou 1 Padrão: 1  | 
| weight\$1decay |  O coeficiente de degradação do peso para `sgd` e `rmsprop`. Ignorado por outros otimizadores. **Opcional** Valores válidos: flutuante em (0, 1) Padrão: 0.0005  |