Nota
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare ad accedere o modificare le directory.
L'accesso a questa pagina richiede l'autorizzazione. È possibile provare a modificare le directory.
Questi esempi addestrano modelli di visione artificiale su AI Runtime. Coprono la classificazione delle immagini, la regolazione degli iperparametri con Ray Tune e il rilevamento degli oggetti.
| Example | Interface | Descrizione |
|---|---|---|
| Classificazione delle immagini tramite rete neurale convoluzionale | Notebook | Questo quaderno fornisce un semplice esempio di come addestrare una rete neurale a convoluzione 2D su AI Runtime per la classificazione delle immagini. |
| Ottimizzazione degli iperparametri di CIFAR-10 con Ray Tune | Notebook | Questo notebook esegue prove simultanee su GPU frazionali per un classificatore di immagini PyTorch e utilizza l'algoritmo asincrono di dimezzamento successivo (ASHA) per interrompere anticipatamente le configurazioni meno performanti. |
| Rilevamento di oggetti tramite RetinaNet | Notebook | Questo notebook dimostra come addestrare un modello di rilevamento di oggetti usando RetinaNet su AI Runtime. |
| Rilevamento oggetti con YOLO11n | Notebook | Questo notebook dimostra come addestrare un modello di rilevamento oggetti YOLO11n sul dataset COCO128 utilizzando AI Runtime, con tracciamento MLflow e distribuzione Model Serving. |
| Messa a punto fine di ResNet-50 su Imagenette | CLI | Usa Ray Train per eseguire il fine-tuning di ResNet-50 con un worker Distributed Data Parallel per ogni GPU A10 su due nodi e per registrare le metriche in MLflow. |