Reconnaissance d'image

info

Aperçu

Cette fonctionnalité est en aperçu public.

Ces exemples entraînent des modèles de vision informatique sur AI Runtime. Ils couvrent la classification d’images, l’ajustement des hyperparamètres avec Ray Tune et la détection d’objets.

Exemple	Interface	Description
Classification d’images à l’aide d’un réseau de neurones convolutif	Notebook	Ce Notebook fournit un exemple simple de la façon d'entraîner un réseau de neurones convolutifs 2D sur des GPU Serverless pour la classification d'images.
Réglage des hyperparamètres CIFAR-10 avec Ray Tune	Notebook	Ce Notebook exécute des essais simultanés avec fractionnement de GPU pour un classificateur d'images PyTorch et utilise l'algorithme ASHA (asynchronous successive halving algorithm) pour interrompre prématurément les configurations peu performantes.
Détection d'objets utilisant RetinaNet	Notebook	Ce Notebook démontre comment entraîner un modèle de détection d'objets en utilisant RetinaNet sur GPU Serverless.
Détection d'objets à l'aide de YOLO11n	Notebook	Ce Notebook montre comment entraîner un modèle de détection d'objets YOLO11n sur le dataset COCO128 à l'aide d'un GPU Serverless, avec le suivi MLflow et le déploiement Model Serving.
Affinement de ResNet-50 sur Imagenette	CLI	Utilisez Ray Train pour affiner ResNet-50 avec un Worker distribué de traitement parallèle des données par GPU A10 sur deux nœuds, et consignez les métriques dans MLflow.

Exemple	Interface	Description
Classification d’images à l’aide d’un réseau de neurones convolutif	Notebook	Ce Notebook fournit un exemple simple de la façon d'entraîner un réseau de neurones convolutifs 2D sur des GPU Serverless pour la classification d'images.
Réglage des hyperparamètres CIFAR-10 avec Ray Tune	Notebook	Ce Notebook exécute des essais simultanés avec fractionnement de GPU pour un classificateur d'images PyTorch et utilise l'algorithme ASHA (asynchronous successive halving algorithm) pour interrompre prématurément les configurations peu performantes.
Détection d'objets utilisant RetinaNet	Notebook	Ce Notebook démontre comment entraîner un modèle de détection d'objets en utilisant RetinaNet sur GPU Serverless.
Détection d'objets à l'aide de YOLO11n	Notebook	Ce Notebook montre comment entraîner un modèle de détection d'objets YOLO11n sur le dataset COCO128 à l'aide d'un GPU Serverless, avec le suivi MLflow et le déploiement Model Serving.
Affinement de ResNet-50 sur Imagenette	CLI	Utilisez Ray Train pour affiner ResNet-50 avec un Worker distribué de traitement parallèle des données par GPU A10 sur deux nœuds, et consignez les métriques dans MLflow.