Optimieren eines Objekterkennungsmodells

Die automatische Modelloptimierung, auch bekannt als Hyperparameter-Optimierung, sucht die beste Version eines Modells, indem viele Aufträge ausgeführt werden, die eine Bereich von Hyperparametern in Ihrem Dataset testen. Sie wählen die optimierbaren Hyperparameter, eine Reihe von Werten für jeden Parameter und eine objektive Metrik aus. Sie wählen die objektive Metrik aus den Metriken aus, die der Algorithmus berechnet. Die automatische Modelloptimierung durchsucht die ausgewählten Hyperparameter nach der Kombination von Werten, die das Modell ergeben, das die objektive Metrik optimiert.

Weitere Informationen zu Modelloptimierung finden Sie unter Durchführen der automatischen Modelloptimierung mit SageMaker.

Vom Objekterkennungsalgorithmus berechnete Metriken

Der Objekterkennungsalgorithmus meldet eine einzelne Metrik während der Schulung: validation:mAP. Wählen Sie beim Optimieren eines Modells diese Metrik als objektive Metrik aus.

Metrikname	Beschreibung	Optimierungsrichtung
validation:mAP	Mittlere durchschnittliche Präzision (Mean Average Precision, mAP), die anhand des Validierungsdatasets berechnet wird.	Maximieren

Optimierbare Objekterkennungshyperparameter

Optimieren Sie das Amazon SageMaker-Objekterkennungsmodell mit den folgenden Hyperparametern. Die Hyperparameter mit den größten Auswirkungen auf objektive Objekterkennungsmetrik sind: mini_batch_size, learning_rate und optimizer.

Parametername	Parametertyp	Empfohlene Bereiche
learning_rate	ContinuousParameterRange	MinValue: 1e-6, MaxValue: 0.5
mini_batch_size	IntegerParameterRanges	MinValue: 8, MaxValue: 64
momentum	ContinuousParameterRange	MinValue: 0.0, MaxValue: 0.999
optimizer	CategoricalParameterRanges	['sgd', 'adam', 'rmsprop', 'adadelta']
weight_decay	ContinuousParameterRange	MinValue: 0.0, MaxValue: 0.999