映像檢測訓練(easycv)組件提供了主流的YOLOX和FCOS檢測模型,用於目標檢測的訓練。若需在映像中標識並框選高風險實體,您可使用該組件構建目標檢測模型,並進行推理分析。本文介紹映像檢測訓練(easycv)組件的配置方法和使用樣本。
前提條件
已開通OSS並完成授權,詳情請參見開通OSS服務和雲產品依賴與授權:Designer。
使用限制
僅Designer提供該演算法組件。
僅支援DLC引擎。
可視化配置組件參數
輸入樁
輸入樁(從左至右)
限制資料類型
建議上遊組件
是否必選
訓練資料
OSS
否。
如果沒有通過輸入樁配置該參數,也可以在欄位設定頁簽的訓練資料oss路徑參數中配置。
評估資料
OSS
否。
如果沒有通過輸入樁配置該參數,也可以在欄位設定頁簽的測試資料oss路徑參數中配置。
類別列表檔案
OSS
否。
如果沒有通過輸入樁配置該參數,也可以在欄位設定頁簽的類別列表檔案oss路徑參數中配置。
組件參數
頁簽
參數
是否必選
描述
預設值
欄位設定
訓練模型類型
是
訓練所選的模型類型,支援以下取值:
FCOS
YOLOX
YOLOv5
YOLOv7
YOLOX
訓練所用oss目錄
否
儲存訓練模型的OSS目錄。例如
examplebucket.oss-cn-shanghai-internal.aliyuncs.com/test/ckpt/
。假如為空白,使用工作空間預設路徑無
訓練集標註結果檔案路徑
否
如果資料來源格式是PAI標註格式,則提供檔案尾碼名為manifest的檔案。
如果資料來源格式是COCO格式,則提供尾碼名為.json的檔案。
如果通過了輸入樁配置演算法組件的標註訓練資料,則為空白。如果同時通過輸入樁和該參數配置了演算法組件的標註訓練資料,則優先使用輸入樁配置的輸入。
無
測試集標註結果檔案路徑
否
如果資料來源格式是PAI標註格式,則提供檔案尾碼名為manifest的檔案。
如果資料來源格式是COCO格式,則提供尾碼名為.json的檔案。
如果通過了輸入樁配置演算法組件的標註測試資料,則為空白,如果同時通過輸入樁和該參數配置了演算法組件的標註測試資料,則優先使用輸入樁配置的輸入。
無
類別列表檔案oss路徑
否
填入尾碼名為txt的標籤列表檔案。
如果通過了輸入樁配置演算法組件的類別列表檔案,則為空白。如果同時通過輸入樁和該參數配置了演算法組件的類別列表檔案,則優先使用輸入樁配置的輸入。
無
預訓練模型oss路徑
否
如果有自己的預訓練模型,則將該參數配置為自己預訓練模型的OSS路徑。如果沒有配置該參數,則使用PAI提供的預設預訓練模型。
無
訓練資料oss路徑
是
僅當資料來源格式為COCO格式時候,才會顯示填寫此儲存格,此處填寫的為COCO格式資料的訓練圖片路徑。
無
測試資料oss路徑
是
僅當資料來源格式為COCO格式時候,才會顯示填寫此儲存格,此處填寫的為COCO格式資料的測試圖片路徑。
資料來源格式
是
支援以下取值:
COCO格式
PAI標註格式(模型類型YOLOv5、YOLOv7僅支援PAI標註格式的資料集)
PAI標註格式
參數設定
YOLOX模型結構
是
僅當訓練模型類型為YOLOX時,才會顯示填寫此儲存格,此處下拉選擇你所想選擇的結構。
yolox-s
yolox-m
yolox-l
yolox-x
yolo-s
檢測類別數目
是
資料中類別標籤的數目。
20
映像尺度
是
映像resize後的大小,填寫時候記得空格:高和寬之間使用空格分隔例如 320 320。
320 320
最佳化方法
是
僅訓練模型類型為YOLOX時,支援配置該參數。
模型訓練的最佳化方法,支援以下取值:
momentum
adam
momentum
初始學習率
是
初始學習率
0.01
訓練batch_size
是
訓練的批大小,即單次模型迭代或訓練過程中使用的樣本數量。
8
評估batch_size
是
評估的批大小,即單次模型迭代或訓練過程中使用的樣本數量。
8
epoch輪數
是
總的訓練迭代輪數。
說明如果是YOLOX,總的epoch需要大於warmup epochs + 最後穩定lr的epochs。
20
loss列印頻率
否
loss(損失值)列印頻率。預設為200,表示每200個訓練批次,列印一次loss(損失值)。
驗證頻率
否
預設為2,表示相隔2個epoch進行驗證。
warmup epochs
否
僅當模型為YOLOX時,需要填寫。
5
最後穩定lr的epochs
否
僅當模型為YOLOX時,需要填寫。
5
匯出的模型類型
是
匯出模型的格式,提供兩種匯出格式。
raw
jit(模型類型YOLOv5、YOLOv7不支援匯出jit格式)
onnx
raw
儲存checkpoint的頻率
否
儲存模型檔案的頻率。取值1表示對所有訓練資料都進行一次迭代。
1
執行調優
gpu機型選擇
是
此演算法不支援沒有GPU的機器運行。
4
開啟半精度fp16
否
是否使用fp16半精度模式。
false
單機或分布式
是
只支援DLC分布方式訓練。
分布式DLC
輸出樁
輸出樁(從左至右)
資料類型
下遊組件
輸出模型
OSS路徑。該路徑是您在欄位設定頁簽的訓練所用oss目錄參數配置的OSS路徑,訓練產生SavedModel格式的模型儲存在該路徑下。
樣本
對於FCOS、YOLOX、YOLOv5、YOLOv7,您可以使用映像檢測訓練(eayscv)演算法組件構建如下工作流程。
本樣本中,您需要按照以下流程配置組件:
通過PAI提供的智能標註模組進行圖片標註,詳情請參見處理標註任務。
使用讀OSS資料組件讀取標註結果檔案xxx.manifest,即配置讀OSS資料組件的OSS資料路徑參數為標註結果資料集的OSS路徑。例如
oss://examplebucket.oss-cn-shanghai.aliyuncs.com/ev_demo/xxx.manifest
。將訓練資料和評估資料接入映像檢測訓練(easycv)演算法組件,並配置具體參數,詳情請參見上文的可視化配置組件參數。
對於FCOS、YOLOX,您還可以通過通用映像預測組件進行離線推理,詳情請參見通用映像預測。
相關文檔
訓練完成映像檢測模型後,您可以在映像檢測訓練(easycv)組件的下遊,接入通用映像預測組件,對模型進行預測,來檢測模型效果。詳情請參見通用映像預測。
關於Designer組件更詳細的內容介紹,請參見Designer概述。
Designer預置了多種演算法組件,你可以根據不同的使用情境選擇合適的組件進行資料處理,詳情請參見組件參考:所有組件匯總。