计算机视觉

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。