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.

Ajuste a detecção de um objeto - TensorFlow modelo

O ajuste automático de modelos, também conhecido como ajuste de hiperparâmetros, localiza a melhor versão de um modelo executando vários trabalhos que testam uma série de hiperparâmetros no seu conjunto de dados. Você escolhe os hiperparâmetros ajustáveis, um intervalo de valores para cada um e uma métrica objetiva. Você escolhe a métrica objetiva entre as métricas que o algoritmo calcula. O ajuste de modelo automático pesquisa os hiperparâmetros escolhidos para encontrar a combinação de valores que resultam no modelo que otimiza a métrica objetiva.

Para mais informações sobre o ajuste de modelos, consulte Ajuste automático do modelo com SageMaker.

Métricas calculadas pelo algoritmo de detecção de objetos TensorFlow

Consulte a tabela a seguir para descobrir quais métricas são calculadas pelo TensorFlow algoritmo de Detecção de Objetos.

Detecção de objetos ajustável - hiperparâmetros TensorFlow

Ajuste um modelo de detecção de objetos do com os seguintes hiperparâmetros. Os hiperparâmetros que têm o maior impacto sobre métrica objetiva de detecção de objetos são: batch_size, learning_rate e optimizer. Os hiperparâmetros que têm o maior impacto nas métricas objetivas de classificação de imagem são momentum, regularizers_l2, beta_1, beta_2 e eps com base no optimizer selecionado. Por exemplo, use beta_1 e beta_2 somente quando adam for o optimizer.

Para obter mais informações sobre quais hiperparâmetros são usados para cada optimizer, consulte Detecção de objetos - TensorFlow Hiperparâmetros.