实例分割
用于进行图像实例分割的深度学习组件,输入为图像,输出为每个实例的分割掩码、类别和置信度。
节点输入输出
训练节点
输入:
train(必选): 训练数据集,需要是标注数据集的格式。
validation(可选): 验证数据集,需要是标注数据集的格式,用于在训练过程中监测模型精度。
test(可选):测试数据集,需要是标注数据集的格式。
输出:
outputModel(必选):训好模型的保存位置。
modeling(可选):用于连接评估节点。
评估节点
输入:
data(必选): 用于评估任务的数据集,需要是标注数据集的格式。
model/modeling(二选一): 用于连接训练节点。
组件配置
在工作流页面配置组件参数。
参数 |
必填 |
描述 |
算法 |
是 |
用于图像实例分割任务的预置模型,支持如下几种模型 (模型介绍参考 实例分割 ):
|
训练参数-Lr |
是 |
初始学习率大小。 |
训练参数-Number_of_epochs |
是 |
所有样本训练完成一轮表示一个 epoch。总的 epoch 轮数表示所有样本共训练多少轮。 |
训练参数-Batch_size |
是 |
训练的批大小,即模型训练过程中,每次迭代(每一步)训练的样本数量。 |
训练参数-Weight_decay |
是 |
训练使用的 L2 权重衰减系数。 |
训练参数-Optimizer |
是 |
训练使用的优化器类型,支持 Adadelta,Adam,RMSprop,SGD,AdamW,RAdam,NAdam 七种。 |
训练参数-Momentum |
是 |
RMSprop, SGD 优化器中的动量。 |
训练参数-Nesterov |
是 |
是否在 SGD 优化器中开启 Nesterov 动量。 |
训练参数-Rho |
是 |
用于计算梯度平方的滑动平均值的系数,仅在 Adadelta 优化器中使用。 |
训练参数-Beta1 |
是 |
用于计算梯度的滑动平均值的系数, 仅在 Adam,AdamW,RAdam,NAdam 优化器中使用。 |
训练参数-Beta2 |
是 |
用于计算梯度平方的滑动平均值的系数, 仅在 Adam,AdamW,RAdam,NAdam 优化器中使用。 |
训练参数-Clip_grad |
是 |
是否使用梯度裁剪。 |
训练参数-Max_norm |
是 |
梯度裁剪的最大值。 |
训练参数-Norm_type |
是 |
梯度裁剪使用的范数。 |
训练参数-Lr_scheduler_type |
是 |
学习率下降策略,支持 cosine, step, polynomial 三种。 |
训练参数-Milestones |
是 |
在 step 策略下的学习率阶梯下降的 epoch 节点。 |
训练参数-Use_warm_up |
是 |
是否开启学习率热身。 |
训练参数-Ckpt_save_interval |
是 |
保存两个 checkpoint 之间的 epoch 数。 |
训练参数-Max_keep_ckpts |
是 |
最多能够保存的 checkpoint 数量。 |
训练参数-Logging_interval |
是 |
日志打印间隔。 |
训练参数-Val_interval |
是 |
训练过程中进行评估间隔的 epoch 数,需给定验证数据集。 |
训练参数-Bbox_score_threshold |
是 |
输出检测框的最低置信度。 |
训练参数-Max_bboxes_per_image |
是 |
一张图最多输出的检测框个数。 |
训练参数-Mask_thr_binary |
是 |
非极大值抑制用于剔除重复框的 IoU 阈值。 |
训练参数-Nms_type |
是 |
非极大值抑制的类型,支持 nms 和 soft_nms 两种。 |
训练参数-Nms_iou_threshold |
是 |
非极大值抑制用于剔除重复框的 IoU 阈值。 |
训练参数-Input_size |
是 |
输入网络的图像分辨率,显存消耗随分辨率增大而增大。 |
训练参数-Keep_ratio |
是 |
是否保持图像的长宽比不变。 |
资源类型 |
是 |
选择资源池类型。 |
单节点规格 |
是 |
选择进行训练任务的单节点算力规格。 |
节点数 |
是 |
每个任务总的资源量为 |
使用时长 |
是 |
支持配置使用时长。 |
参数 |
必填 |
描述 |
单节点规格 |
是 |
选择进行评估任务的单节点算力规格。 |