Vision par ordinateur

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

Example Interface Description
Classification d’images à l’aide d’un réseau neuronal convolutionnel Notebook Ce carnet fournit un exemple simple de comment entraîner un réseau de neurones convolutionnel 2D sur AI Runtime pour la classification d’images.
Réglage des hyperparamètres CIFAR-10 avec Ray Tune Notebook Ce notebook exécute des essais simultanés sur GPU fractionnaire pour un classificateur d’image PyTorch et utilise l’algorithme asynchrone de réduction successive de moitié (ASHA) pour stopper les configurations sous-performantes tôt.
Détection d’objets à l’aide de RetinaNet Notebook Ce notebook démontre comment entraîner un modèle de détection d’objets en utilisant RetinaNet sur AI Runtime.
Détection d’objets à l’aide de YOLO11n Notebook Ce notebook démontre comment entraîner un modèle de détection d’objet YOLO11n sur le jeu de données COCO128 en utilisant AI Runtime, avec le suivi MLflow et le déploiement Model Serving.
Réglage fin du ResNet-50 sur Imagenette CLI Utilisez Ray Train pour affiner ResNet-50 avec un worker DDP par GPU A10 sur deux nœuds et pour enregistrer les métriques dans MLflow.
Ajustement fin de la classification d’image avec DINOv3 CLI Affinez un transformateur de vision DINOv3 sur Oxford Flowers-102 sur un GPU A10 et préparez le modèle sélectionné pour l’inférence.
Classification des actions vidéo CLI Entraînez un classificateur récurrent sur un GPU A10 pour reconnaître les actions à partir des caractéristiques des images vidéo produites par ResNet-18.
Compréhension d’image par lots avec Qwen3-VL-8B et vLLM CLI Utilisez Ray Data et vLLM pour générer des légendes pour les images et les classer sur un nœud H100 8x avec des sorties structurées.
  • Dernière mise à jour :