AI开发平台ModelArtsAI开发平台ModelArts

计算
弹性云服务器 ECS
裸金属服务器 BMS
云手机 CPH
专属主机 DeH
弹性伸缩 AS
镜像服务 IMS
函数工作流 FunctionGraph
云耀云服务器 HECS
VR云渲游平台 CVR
特惠算力专区
存储
对象存储服务 OBS
云硬盘 EVS
云备份 CBR
弹性文件服务 SFS
存储容灾服务 SDRS
云硬盘备份 VBS
云服务器备份 CSBS
数据快递服务 DES
专属企业存储服务
云存储网关 CSG
专属分布式存储服务 DSS
CDN与智能边缘
内容分发网络 CDN
智能边缘云 IEC
智能边缘平台 IEF
人工智能
AI开发平台ModelArts
华为HiLens
图引擎服务 GES
图像识别 Image
文字识别 OCR
自然语言处理 NLP
内容审核 Moderation
图像搜索 ImageSearch
医疗智能体 EIHealth
园区智能体 CampusGo
企业级AI应用开发专业套件 ModelArts Pro
人脸识别服务 FRS
对话机器人服务 CBS
视频分析服务 VAS
语音交互服务 SIS
知识图谱 KG
人证核身服务 IVS
IoT物联网
设备接入 IoTDA
设备管理 IoTDM(联通用户专用)
全球SIM联接 GSL
IoT开发者服务
IoT数据分析
车联网服务 IoV
路网数字化服务 DRIS
IoT边缘 IoTEdge
设备发放 IoTDP
开发与运维
软件开发平台 DevCloud
项目管理 ProjectMan
代码托管 CodeHub
流水线 CloudPipeline
代码检查 CodeCheck
编译构建 CloudBuild
部署 CloudDeploy
云测 CloudTest
发布 CloudRelease
移动应用测试 MobileAPPTest
CloudIDE
Classroom
开源镜像站 Mirrors
应用魔方 AppCube
云性能测试服务 CPTS
应用管理与运维平台 ServiceStage
视频
实时音视频 SparkRTC
视频直播 Live
视频点播 VOD
媒体处理 MPC
视频接入服务 VIS
管理与监管
统一身份认证服务 IAM
消息通知服务 SMN
云监控服务 CES
应用运维管理 AOM
应用性能管理 APM
云日志服务 LTS
云审计服务 CTS
标签管理服务 TMS
资源管理服务 RMS
应用身份管理服务 OneAccess
区块链
区块链服务 BCS
可信跨链数据链接服务 TCDAS
智能协作
IdeaHub
开发者工具
SDK开发指南
API签名指南
DevStar
HCloud CLI
Terraform
Ansible
云生态
云市场
合作伙伴中心
华为云培训中心
其他
管理控制台
消息中心
产品价格详情
系统权限
我的凭证
客户关联华为云合作伙伴须知
公共问题
宽限期保留期
奖励推广计划
活动
容器
云容器引擎 CCE
云容器实例 CCI
容器镜像服务 SWR
应用编排服务 AOS
多云容器平台 MCP
基因容器 GCS
容器洞察引擎 CIE
云原生服务中心 OSC
容器批量计算 BCE
容器交付流水线 ContainerOps
应用服务网格 ASM
网络
虚拟私有云 VPC
弹性公网IP EIP
弹性负载均衡 ELB
NAT网关 NAT
云专线 DC
虚拟专用网络 VPN
云连接 CC
VPC终端节点 VPCEP
数据库
云数据库 RDS
数据复制服务 DRS
文档数据库服务 DDS
分布式数据库中间件 DDM
云数据库 GaussDB (for openGauss)
云数据库 GaussDB(for MySQL)
云数据库 GaussDB NoSQL
数据管理服务 DAS
数据库和应用迁移 UGO
大数据
MapReduce服务 MRS
数据湖探索 DLI
表格存储服务 CloudTable
可信智能计算服务 TICS
推荐系统 RES
云搜索服务 CSS
数据可视化 DLV
数据湖治理中心 DGC
数据接入服务 DIS
数据仓库服务 GaussDB(DWS)
应用中间件
微服务引擎 CSE
分布式消息服务Kafka版
分布式消息服务RabbitMQ版
API网关 APIG
分布式缓存服务 DCS
分布式消息服务RocketMQ版
企业应用
域名注册服务 Domains
云解析服务 DNS
云速建站 CloudSite
网站备案
华为云WeLink
会议
隐私保护通话 PrivateNumber
语音通话 VoiceCall
消息&短信 MSGSMS
云管理网络
SD-WAN 云服务
边缘数据中心管理 EDCM
云桌面 Workspace
应用与数据集成平台 ROMA Connect
ROMA资产中心 ROMAExchange
API全生命周期管理 ROMA API
安全与合规
安全技术与应用
DDoS防护 ADS
Web应用防火墙 WAF
云防火墙 CFW
应用信任中心 ATC
企业主机安全 HSS
容器安全服务 CGS
云堡垒机 CBH
数据库安全服务 DBSS
数据加密服务 DEW
数据安全中心 DSC
云证书管理服务 CCM
SSL证书管理 SCM
漏洞扫描服务 VSS
态势感知 SA
威胁检测服务 MTD
管理检测与响应 MDR
迁移
主机迁移服务 SMS
对象存储迁移服务 OMS
云数据迁移 CDM
专属云
专属计算集群 DCC
解决方案
高性能计算 HPC
SAP
游戏云
混合云灾备
价格
成本优化最佳实践
专属云商业逻辑
用户服务
帐号中心
费用中心
成本中心
资源中心
企业管理
工单管理
客户运营能力
国际站常见问题
支持计划
专业服务
合作伙伴支持计划
更新时间:2021/08/06 GMT+08:00
分享

算法介绍及其运行参数说明

本章节介绍了ModelArts当前支持的预置算法的说明及每个算法支持的运行参数。您可以参考本章节说明,设置训练作业中的运行参数。

yolov3_resnet18

表1 算法介绍

参数

说明

名称

yolov3_resnet18

用途

检测物体类别和位置

引擎类型

TensorFlow,TF-1.13.1-python3.6

精度

-

训练数据集

COCO

数据格式

shape: [H>=224, W>=224, C>=1]; type: int8

运行参数

input_shape=352,640 ; batch_size=32 ; max_epochs=100 ; ...

更多可使用的运行参数,请参见表2

表2 运行参数说明

可选参数

参数说明

默认值

input_shape

算法在训练之前,将输入图片长和宽统一调整之后的尺寸,输入格式为“height,width”,逗号之间不能加空格。

352,640

max_epochs

模型运行的最大迭代数,此参数必须设置为整数。

100

batch_size

每次迭代训练的图片数量(单卡),此参数必须设置为整数。

32

learning_rate

模型运行时候的学习率,取值范围为0~1。

0.001

obj_threshold

置信度阈值,取值范围为0~1。推理的时候,如果预测框的置信度小于该值,那么就会过滤掉。

0.3

nms_threshold

NMS阈值,取值范围为0~1。

0.4

class_names

“数据来源”选择“数据集”时,不需要设置此参数。如果选择“数据存储路径”,则必须添加此参数,需手工添加。

数据集的标签名字,多个标签之间使用英文逗号隔开,且中间不能加空格。例如,“person,face”

-

retinanet_resnet_v1_50

表3 算法介绍

参数

说明

名称

retinanet_resnet_v1_50

用途

检测物体类别和位置

引擎类型

TensorFlow, TF-1.8.0-python2.7

精度

83.15%(mAP)

mAP是物体检测算法中衡量算法效果的指标。对于物体检测任务,每一类object都可以计算出其精确率(Precision)和召回率(Recall),在不同阈值下多次计算/试验,每个类都可以得到一条P-R曲线,曲线下的面积就是average。

训练数据集

Pascal VOC2007,20类物体检测

数据格式

shape: [H, W, C>=1]; type: int8

运行参数

默认算法未设置运行参数,更多可使用的运行参数,请参见表4

表4 运行参数说明

可选参数

参数说明

默认值

split_spec

训练集和验证集切分比例。

train:0.8,eval:0.2

num_gpus

使用的GPU个数。

1

learning_rate_strategy

训练的学习率策略,取值范围0~1,例如可设置为0.001。

0.002

evaluate_every_n_epochs

每训练N个epoch做一次验证。

1

save_interval_secs

保存模型的频率(单位:s)。

如果模型运行时间大于2000000s,那么默认2000000s保存一次,如果模型运行时间小于2000000s,模型运行结束时保存。

2000000

max_epoches

最大训练的epoch数。

100

log_every_n_steps

每训练N步打印一次日志,默认为10步打印一次。

10

save_summaries_steps

每5步保存一次summary信息,包括模型梯度更新值,以及训练参数。

5

inception_v3

表5 算法介绍

参数

说明

名称

inception_v3

用途

图像分类

引擎类型

TensorFlow, TF-1.8.0-python2.7

精度

78.00%(top1), 93.90%(top5)

  • top1是指对于一个图片,如果概率最大的是正确答案,才认为正确。
  • top5是指对于一个图片,如果概率前五中包含正确答案,即认为正确。

训练数据集

imagenet,1000类图像分类

数据格式

shape: [H, W, C>=1]; type: int8

运行参数

batch_size=32 ; split_spec=train:0.8,eval:0.2 ;

更多可使用的运行参数请参见表6

表6 运行参数说明

可选参数

参数说明

默认值

split_spec

训练集和验证集切分比例。

train:0.8,eval:0.2

num_gpus

使用的GPU个数。

1

batch_size

每次迭代训练的图片数量(单卡)。为了保证算法精度,建议暂时使用默认值,不进行配置。

32

eval_batch_size

验证时每步读取的图片数量(单卡)。

32

learning_rate_strategy

训练的学习率策略(“10:0.001,20:0.0001”代表0-10个epoch学习率0.001, 10-20epoch学习率0.0001)。

0.002

evaluate_every_n_epochs

每训练N个epoch做一次验证。

1

save_interval_secs

保存模型的频率(单位:s)。

如果模型运行时间大于2000000s,那么默认2000000s保存一次,如果模型运行时间小于2000000s,模型运行结束时保存。

2000000

max_epoches

最大训练的epoch数。

100

log_every_n_steps

每训练N步打印一次日志,默认为10步打印一次。

10

save_summaries_steps

每5步保存一次summary信息,包括模型梯度更新值,以及训练参数。

5

表7 可新增的运行参数

可选参数

参数说明

推荐值

weight_decay

模型权重衰减的L2系数。

0.00004

optimizer

优化器。可选值:

  • dymomentumw
  • sgd
  • adam
  • momentum

momentum

momentum

优化器参数momentum。

0.9

patience

N个epoch之后,如果精度(物体检测中是mAP,图像分类中是accuracy)相较之前的最大值没有提升,即与最大精度的差值小于decay_min_delta设置的参数,学习率会衰减为原来的十分之一,N默认值为8。

8

decay_patience

在上述patience基础上,如果再经过M个epoch训练,如果精度值(物体检测中是mAP,图像分类中是accuracy)还是没有提升,即与最大精度的差值小于decay_min_delta设置的参数,那么就会提前终止训练。M默认值为1。

1

decay_min_delta

不同学习率对应的精度(目标检测中是mAP,图片分类中是accuracy)之间的最小差值,大于0.001,代表精度有提升,反之,表示精度无提升。

0.001

image_size

训练传入模型的图片大小,为None时获取模型的默认图片大小。

None

lr_warmup_strategy

warmup策略(线性或指数)。

linear

num_readers

数据读取的线程数。

64

fp16

是否使用fp16精度训练。

FALSE

max_lr

最大学习率(dymomentum, dymomentumw优化器以及使用use_lr_schedule时调节的学习率最大值)。

6.4

min_lr

最小学习率(dymomentum, dymomentumw优化器以及使用use_lr_schedule时调节的学习率最小值)。

0.005

warmup

warmup在总训练步数中的占比(use_lr_schedule为lcd、poly时使用)。

0.1

cooldown

在warmup中学习率能下降到的最小值。

0.05

max_mom

最大momentum(动态momentum使用)。

0.98

min_mom

最小momentum(动态momentum使用)。

0.85

use_lars

是否使用Lars。

FALSE

use_nesterov

是否使用Nesterov Momentum。

TRUE

preprocess_threads

图片预处理的线程数。

12

use_lr_schedule

学习率调整策略('lcd':linear_cosine_decay, 'poly':polynomial_decay)。

None

darknet_53

表8 算法介绍

参数

说明

名称

darknet_53

用途

图像分类

引擎类型

MXNet, MXNet-1.2.1-python2.7

精度

78.56%(top1), 94.43%(top5)

  • top1是指对于一个图片,如果概率最大的是正确答案,才认为正确。
  • top5是指对于一个图片,如果概率前五中包含正确答案,即认为正确。

训练数据集

imagenet,1000类图像分类

数据格式

shape: [H>=224, W>=224, C>=1]; type: int8

运行参数

split_spec=0.8 ; batch_size=4 ;

更多可使用的运行参数,请参见表9

表9 运行参数说明

可选参数

参数说明

默认值

split_spec

训练集和验证集切分比例。

0.8

batch_size

每次更新参数输入的数据数量(总)。

4

lr

更新参数的学习率。

0.0001

save_frequency

保存模型的频率,即隔N个epoch保存一次模型。

1

num_classes

训练中使用的图片总的类别数。

num_epoch

训练的epoch数。

10

SegNet_VGG_BN_16

表10 算法介绍

参数

说明

名称

SegNet_VGG_BN_16

用途

图像语义分割

引擎类型

MXNet, MXNet-1.2.1-python2.7

精度

89%(pixel acc)

pixel acc是指标记正确的像素占总像素的比例。

训练数据集

Camvid

数据格式

shape: [H=360, W=480, C==3]; type: int8

运行参数

deploy_on_terminal=False;

更多可使用的运行参数,请参见表11

表11 运行参数说明

可选参数

参数说明

默认值

lr

更新参数的学习率。

0.0001

mom

训练网络的动量参数。

0.9

wd

权重衰减系数。

0.0005

num_classes

训练中使用的图片总的类别数,这里不需要+1。

11

batch_size

每次更新训练的图片数量(所有GPU总和)。

8

num_epoch

训练的epoch数。

15

save_frequency

保存模型的频率,即隔N个epoch保存一次模型。

1

num_examples

参与训练的图片总数train.txt中的文件数。

2953

ResNet_v2_50

表12 算法介绍

参数

说明

名称

ResNet_v2_50

用途

图像分类

引擎类型

MXNet, MXNet-1.2.1-python2.7

精度

75.55%(top1), 92.6%(top5)

  • top1是指对于一个图片,如果概率最大的是正确答案,才认为正确。
  • top5是指对于一个图片,如果概率前五中包含正确答案,即认为正确。

训练数据集

imagenet,1000类图像分类

数据格式

shape: [H>=32, W>=32, C>=1]; type: int8

运行参数

split_spec=0.8 ; batch_size=4 ;

更多可使用的运行参数与“darknet_53”算法一致,详情请参见表9

ResNet_v1_50

表13 算法介绍

参数

说明

名称

ResNet_v1_50

用途

图像分类

引擎类型

TensorFlow, TF-1.8.0-python2.7

精度

74.2%(top1), 91.7%(top5)

  • top1是指对于一个图片,如果概率最大的是正确答案,才认为正确。
  • top5是指对于一个图片,如果概率前五中包含正确答案,即认为正确。

训练数据集

imagenet,1000类图像分类

数据格式

shape: [H>=600,W<=1024,C>=1];type:int8

运行参数

batch_size=32 ; split_spec=train:0.8,eval:0.2 ;

更多可使用的运行参数与“inception_v3”算法一致,详情请参见表6

Faster_RCNN_ResNet_v2_101

为了能够产生满意的训练效果,使用该算法需要进行精细调参。否则产生的结果可能会不满足预期。需要精细调参或者使用其他算法

表14 算法介绍

参数

说明

名称

Faster_RCNN_ResNet_v2_101

用途

检测物体类别和位置

引擎类型

MXNet, MXNet-1.2.1-python2.7

精度

80.05%(mAP)

mAP是物体检测算法中衡量算法效果的指标。对于物体检测任务,每一类object都可以计算出其精确率(Precision)和召回率(Recall),在不同阈值下多次计算/试验,每个类都可以得到一条P-R曲线,曲线下的面积就是average。

训练数据集

Pascal VOC2007,20类物体检测

数据格式

shape: [H, W, C==3]; type: int8

运行参数

lr=0.0001 ; eval_frequence=1 ;

更多可使用的运行参数,请参见表15

表15 运行参数说明

可选参数

参数说明

默认值

num_classes

训练中使用的图片总的类别数,这里需要+1,因为有一个额外的背景类。

eval_frequence

对模型做验证的频率,默认为每个epoch都做。

1

lr

更新参数的学习率。

0.0001

mom

训练网络的动量参数。

0.9

wd

参数权重衰减系数,L2。

0.0005

split_spec

训练集和验证集切分比例。

0.8

Faster_RCNN_ResNet_v1_50

表16 算法介绍

参数

说明

名称

Faster_RCNN_ResNet_v1_50

用途

检测物体类别和位置

引擎类型

TensorFlow, TF-1.8.0-python2.7

精度

73.6%(mAP)

mAP是物体检测算法中衡量算法效果的指标。对于物体检测任务,每一类object都可以计算出其精确率(Precision)和召回率(Recall),在不同阈值下多次计算/试验,每个类都可以得到一条P-R曲线,曲线下的面积就是average。

训练数据集

Pascal VOC2007,20类物体检测

数据格式

shape: [H>=600,W<=1024,C>=1];type:int8

运行参数

split_spec=train:0.8,eval:0.2 ; num_gpus=1 ; batch_size=32 ; eval_batch_size=32等,默认使用的运行参数与“retinanet_resnet_v1_50”算法一致,详情参数及默认值请参见表4

分享:

    相关文档

    相关产品