翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。
# オブジェクト検出ハイパーパラメータ
[https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html](https://docs.aws.amazon.com/sagemaker/latest/APIReference/API_CreateTrainingJob.html) リクエストで、使用するトレーニングアルゴリズムを指定します。トレーニングデータセットからモデルのパラメータを推定するのに役立つ、アルゴリズム固有のハイパーパラメータを指定することもできます。次の表に、Amazon SageMaker AI によって提供されるオブジェクト検出アルゴリズムのトレーニング用のハイパーパラメータを示します。オブジェクトトレーニングの仕組みについては、[オブジェクト検出の仕組み](algo-object-detection-tech-notes.md)を参照してください。
| Parameter Name | 説明 |
| --- | --- |
| num\_classes | 出力クラスの数。このパラメータは、ネットワーク出力のディメンションを定義し、通常はデータセット内のクラス数に設定されます。
**必須**
有効な値: 正の整数 |
| num\_training\_samples | 入力データセット内のトレーニング例の数。 この値とトレーニングセット内のサンプル数が一致しない場合、`lr_scheduler_step` パラメータの動作は未定義になり、分散トレーニングの精度に影響することがあります。
**必須**
有効な値: 正の整数 |
| base\_network | 使用する基本ネットワークアーキテクチャー。
**オプション**
有効な値: 'vgg-16' または 'resnet-50'
デフォルト値: 'vgg-16' |
| early\_stopping | トレーニング中に早期停止ロジックを使用する場合は `True`。使用しない場合は `False`。
**オプション**
有効な値: `True` または `False`
デフォルト値: `False` |
| early\_stopping\_min\_epochs | 早期停止ロジックを呼び出す前に実行する必要があるエポックの最小数。`early_stopping` = `True` の場合にのみ使用されます。
**オプション**
有効な値: 正の整数
デフォルト値: 10 |
| early\_stopping\_patience | `early_stopping_tolerance` ハイパーパラメータで定義されているように、関連するメトリクスが改善されない場合に、トレーニングを終了するまでに待機するエポックの数。`early_stopping` = `True` の場合にのみ使用されます。
**オプション**
有効な値: 正の整数
デフォルト値: 5 |
| early\_stopping\_tolerance | 早期停止を回避するためには、`validation:mAP` の相対的な改善、平均精度の平均 (mAP) が超える必要がある許容値。mAP の変化を前回の mAP の最高値で除算した比率が、設定された `early_stopping_tolerance` 値より小さい場合、早期停止は改善がないと見なします。`early_stopping` = `True` の場合にのみ使用されます。
**オプション**
有効な値: 0 ≤ 浮動小数点数 ≤ 1
デフォルト値: 0.0 |
| image\_shape | 入力イメージのイメージサイズ。入力イメージをこのサイズの正方形のイメージに拡大縮小します。パフォーマンスを向上させるために 300 と 512 を使用することをお勧めします。
**オプション**
有効な値: 正の整数 ≥300
デフォルト: 300 |
| epochs | トレーニングエポックの数。
**オプション**
有効な値: 正の整数
デフォルト: 30 |
| freeze\_layer\_pattern | 基本ネットワーク内のフリーズレイヤーの正規表現 (regex)。たとえば、`freeze_layer_pattern` = `"^(conv1_\|conv2_).*"` と設定した場合、名前に `"conv1_"` または `"conv2_"` が含まれているレイヤーはフリーズされます。つまり、これらのレイヤーの重みはトレーニング中に更新されません。レイヤー名は、ネットワークシンボルファイル [vgg16-symbol.json](http://data.mxnet.io/models/imagenet/vgg/vgg16-symbol.json ) および [resnet-50-symbol.json](http://data.mxnet.io/models/imagenet/resnet/50-layers/resnet-50-symbol.json) で確認できます。レイヤーを凍結すると、そのウェイトをさらに変更することはできなくなります。これにより、正確性が少し失われる代わりにトレーニング時間が大幅に減ります。この手法は、基本レイヤーの低いレイヤーを再トレーニングする必要がない転送学習で一般的に使用されます。
**オプション**
有効な値: 文字列
デフォルト: レイヤーのフリーズなし。 |
| kv\_store | 分散トレーニングに使用される重み更新同期モード。重みは、複数マシン間で同期的または非同期的に更新できます。同期更新は、一般には非同期更新よりも精度が高くなりますが、低速な可能性があります。詳細については、MXNet チュートリアルの「[Distributed Training (分散トレーニング)](https://mxnet.apache.org/api/faq/distributed_training)」を参照してください。 このパラメータは、単一のマシントレーニングには適用されません。
**オプション**
有効な値: `'dist_sync'` または `'dist_async'`[See the AWS documentation website for more details](http://docs.aws.amazon.com/ja_jp/sagemaker/latest/dg/object-detection-api-config.html)
デフォルト: - |
| label\_width | トレーニングデータと検証データを同期するために使用される強制パディングラベル幅。たとえば、データ内の 1 つのイメージに最大 10 個のオブジェクトが含まれ、各オブジェクトの注釈が 5 つの数字 [class\_id, left, top, width, height] で指定されている場合、`label_width` は (10\*5 \+ ヘッダー情報の長さ) 以上になります。ヘッダー情報の長さは通常 2 です。トレーニングには少し大きい `label_width` (この例では 60 など) を使用することをお勧めします。
**オプション**
有効な値: データ内の最大長の注釈情報に対応できる大きさの正の整数。
デフォルト: 350 |
| learning\_rate | 最初の学習レート。
**オプション**
有効な値: (0, 1] の浮動小数点数
デフォルト: 0.001 |
| lr\_scheduler\_factor | 学習レートを下げる割合。`lr_new` = `lr_old` \* `lr_scheduler_factor` として定義されている `lr_scheduler_step` パラメータと一緒に使用します。
**オプション**
有効な値: (0, 1) の浮動小数点数
デフォルト: 0.1 |
| lr\_scheduler\_step | 学習レートを下げるエポック。学習レートは、"epoch1、epoch2、..." のようにカンマ区切りの文字列でリストされたエポックごとに `lr_scheduler_factor` だけ下げられます。たとえば、値が "10, 20" に設定され、`lr_scheduler_factor` が 1/2 に設定されている場合、学習レートは 10 番目のエポックの後に半減し、20 番目のエポックの後に再び半減します。
**オプション**
有効な値: 文字列
デフォルト: 空の文字列 |
| mini\_batch\_size | トレーニングのバッチサイズ。単一マシンのマルチ GPU の設定では、各 GPU は `mini_batch_size`/`num_gpu` トレーニングサンプルを処理します。`dist_sync` モードの複数マシントレーニングでは、実際のバッチサイズは `mini_batch_size` \* マシン数です。`mini_batch_size` を大きくすると、通常、トレーニングは加速しますが、メモリ不足の問題が発生する可能性があります。メモリ使用量は、`mini_batch_size`、`image_shape`、および `base_network` アーキテクチャーに関連します。たとえば、単一の p3.2xlarge インスタンスでメモリ不足エラーの発生を回避する `mini_batch_size` の最大値は 32 であり、base\_network は "resnet-50"、`image_shape` は 300 に設定します。同じインスタンスで、`mini_batch_size` を 64 に設定し、基本ネットワークとして `vgg-16`、`image_shape` を 300 に設定します。
**オプション**
有効な値: 正の整数
デフォルト: 32 |
| momentum | `sgd` のモーメンタム。他のオプティマイザでは無視されます。
**オプション**
有効な値: (0, 1] の浮動小数点数
デフォルト: 0.9 |
| nms\_threshold | 非最大抑制しきい値。
**オプション**
有効な値: (0, 1] の浮動小数点数
デフォルト: 0.45 |
| optimizer | オプティマイザのタイプ。オプティマイザ値の詳細については、「[MXNet's API (MXNet の API)](https://mxnet.apache.org/api/python/docs/api/)」を参照してください。
**オプション**
有効な値: ['sgd', 'adam', 'rmsprop', 'adadelta']
デフォルト: 'sgd' |
| overlap\_threshold | 評価重複しきい値。
**オプション**
有効な値: (0, 1] の浮動小数点数
デフォルト: 0.5 |
| use\_pretrained\_model | トレーニングに事前トレーニング済みモデルを使用するかどうかを示します。1 に設定すると、対応するアーキテクチャーの事前トレーニングモデルがロードされ、トレーニングに使用されます。それ以外の場合、ネットワークはゼロからトレーニングされます。
**オプション**
有効な値: 0 または 1
デフォルト: 1 |
| weight\_decay | `sgd` と `rmsprop` の重み減衰係数。他のオプティマイザでは無視されます。
**オプション**
有効な値: (0, 1) の浮動小数点数
デフォルト: 0.0005 |