コンピュータビジョン

これらの例では、AI ランタイム でコンピュータ ビジョン モデルをトレーニングします。これらには、画像分類、Ray Tune によるハイパーパラメーターチューニング、オブジェクト検出が含まれます。

例	インターフェース	説明
畳み込みニューラルネットワークを用いた画像分類	ノートブック	このノートブックでは、画像分類のために AI ランタイム上で 2 次元畳み込みニューラルネットワークをトレーニングする簡単な例を提供します。
Ray Tune による CIFAR-10 のハイパーパラメーターチューニング	ノートブック	このノートブックは、PyTorch 画像分類器の並列部分 GPU トライアルを実行し、非同期連続半減 (ASHA) アルゴリズムを使用して、パフォーマンスの低い構成を早期に停止します。
RetinaNetを用いた物体検出	ノートブック	このノートブックでは、AI ランタイム 上で RetinaNet を使用して物体検出モデルをトレーニングする方法を示します。
YOLO11nを使用したオブジェクト検出	ノートブック	このノートブックでは、AIランタイムを使用してCOCO128データセットでYOLO11nオブジェクト検出モデルをトレーニングし、MLflowトラッキングとモデルサービング展開を行う方法を示します。
ImagenetteでのResNet-50のファインチューニング	CLI	Ray Trainを使用して、2つのノードにわたってA10 GPUごとに1つの分散データ並列ワーカーでResNet-50をファインチューニングし、メトリクスをMLflowに記録します。
DINOv3を用いた画像分類のファインチューニング	CLI	1 つの A10 GPU で Oxford Flowers-102 上の DINOv3 Vision Transformer をファインチューニングし、選択したモデルを推論用にパッケージ化します。
ビデオアクションの分類	CLI	ResNet-18 によって生成されたビデオフレーム特徴量からアクションを認識するように、1 つの A10 GPU でリカレント分類器をトレーニングします。
Qwen3-VL-8BとvLLMを使用したバッチ画像理解	CLI	Ray DataとvLLMを使用して、構造化された出力を持つ8x H100ノードで画像にキャプションを付け、分類します。

例	インターフェース	説明
畳み込みニューラルネットワークを用いた画像分類	ノートブック	このノートブックでは、画像分類のために AI ランタイム上で 2 次元畳み込みニューラルネットワークをトレーニングする簡単な例を提供します。
Ray Tune による CIFAR-10 のハイパーパラメーターチューニング	ノートブック	このノートブックは、PyTorch 画像分類器の並列部分 GPU トライアルを実行し、非同期連続半減 (ASHA) アルゴリズムを使用して、パフォーマンスの低い構成を早期に停止します。
RetinaNetを用いた物体検出	ノートブック	このノートブックでは、AI ランタイム 上で RetinaNet を使用して物体検出モデルをトレーニングする方法を示します。
YOLO11nを使用したオブジェクト検出	ノートブック	このノートブックでは、AIランタイムを使用してCOCO128データセットでYOLO11nオブジェクト検出モデルをトレーニングし、MLflowトラッキングとモデルサービング展開を行う方法を示します。
ImagenetteでのResNet-50のファインチューニング	CLI	Ray Trainを使用して、2つのノードにわたってA10 GPUごとに1つの分散データ並列ワーカーでResNet-50をファインチューニングし、メトリクスをMLflowに記録します。
DINOv3を用いた画像分類のファインチューニング	CLI	1 つの A10 GPU で Oxford Flowers-102 上の DINOv3 Vision Transformer をファインチューニングし、選択したモデルを推論用にパッケージ化します。
ビデオアクションの分類	CLI	ResNet-18 によって生成されたビデオフレーム特徴量からアクションを認識するように、1 つの A10 GPU でリカレント分類器をトレーニングします。
Qwen3-VL-8BとvLLMを使用したバッチ画像理解	CLI	Ray DataとvLLMを使用して、構造化された出力を持つ8x H100ノードで画像にキャプションを付け、分類します。