这些示例可用于在 AI Runtime 上训练计算机视觉模型。 它们涵盖图像分类、利用光线调谐进行超参数调谐以及物体检测。
| Example | Interface | 说明 |
|---|---|---|
| 使用卷积神经网络的图像分类 | Notebook | 本笔记提供了一个简单的示例,展示了如何在AI运行时上训练二维卷积神经网络以进行图像分类。 |
| 使用 Ray Tune 进行 CIFAR-10 超参数调优 | Notebook | 此笔记本为 PyTorch 图像分类器运行各占用部分 GPU 资源的并发试验,并使用异步逐次减半算法 (ASHA) 提前停止表现不佳的配置。 |
| 使用 RetinaNet 进行对象检测 | Notebook | 本笔记演示了如何在AI运行时使用RetinaNet训练对象检测模型。 |
| 使用 YOLO11n 进行对象检测 | Notebook | 本笔记演示了如何使用 AI Runtime,并结合 MLflow 跟踪和 Model Serving 部署,在 COCO128 数据集上训练 YOLO11n 对象检测模型。 |
| 使用DINOv3进行图像分类微调 | CLI | 在一块A10 GPU上对DINOv3视觉变换器在Oxford Flowers-102数据集上进行微调,并打包选定模型以供推断。 |
| 视频动作分类 | CLI | 在一块 A10 GPU 上训练一个循环分类器,以识别 ResNet-18 生成的视频帧特征中的动作。 |
| 使用 Qwen3-VL-8B 和 vLLM 进行批量图像理解 | CLI | 使用 Ray Data 和 vLLM 在 8x H100 节点上为图像生成标题并进行分类,输出结构化结果。 |