Datorseende

Viktigt!

Den här funktionen finns som allmänt tillgänglig förhandsversion.

Dessa notebook-filer tränar modeller för datorseende i AI Runtime. De täcker bildklassificering, hyperparameterjustering med Ray Tune och objektdetektion.

Handledning Beskrivning
Bildklassificering med hjälp av konvolutionellt neuralt nätverk Den här notebook-filen innehåller ett enkelt exempel på hur du tränar ett neuralt 2D-involutionsnätverk på serverlösa GPU:er för bildklassificering.
CIFAR-10 hyperparameterinställning med Ray Tune Denna notebook kör samtidiga fraktionella GPU-tester för en PyTorch-bildklassificerare och använder den asynkrona successiva halveringsalgoritmen (ASHA) för att stoppa underpresterande konfigurationer tidigt.
Objektidentifiering med RetinaNet Den här notebook-filen visar hur du tränar en objektidentifieringsmodell med RetinaNet på serverlös GPU.
Objektidentifiering med YOLO11n Den här anteckningsboken visar hur du tränar en YOLO11n-objektdetekteringsmodell på datauppsättningen COCO128 med serverlös GPU, med MLflow-spårning och distribution med Model Serving.
  • Uppdaterades senast