Azure 机器学习工作区。 若要创建工作区，请参阅 创建工作区资源 。

本文假设你对如何 为计算机视觉任务配置自动化机器学习试验 有一定的了解。

支持的模型

适用于物体检测任务的图像自动化 ML 支持的所有模型都支持使用平铺功能的小物体检测。

在训练期间启用平铺

若要启用平铺，可以将 tile_grid_size 参数设置为类似“3x2”的值；其中 3 是沿宽度维度的图块数量，2 是沿高度维度的图块数量。 当此参数设置为“3x2”时，每个图像将拆分为 3 x 2 的图块网格。 每个图块与相邻的图块重叠，因此落在图块边界上的任何物体将完全包含在一个图块中。 可以通过 tile_overlap_ratio 参数（默认值为 25%）控制这种重叠。

启用平铺后，整个图像以及从其生成的图块将通过模型传递。 将这些图像和图块馈送到模型之前，会根据 min_size 和 max_size 参数调整其大小。 由于需要处理这些额外的数据，计算时间将成比例增加。

例如，当 tile_grid_size 参数为“3x2”时，计算时间大约是不启用平铺时的七倍。

可以在训练参数中将 tile_grid_size 的值指定为字符串。

image_object_detection_job.extend_search_space(
    SearchSpace(
        model_name=Choice(['fasterrcnn_resnet50_fpn']),
        tile_grid_size=Choice(['2x1', '3x2', '5x3'])
在推理期间平铺
部署在启用平铺的情况下训练的模型时，在推理期间也会发生平铺。 自动化 ML 使用训练中的 tile_grid_size 值在推理期间生成图块。 整个图像和相应的图块将通过模型传递，其中的物体建议将会合并，以输出最终预测结果，如下图所示。
有可能会从多个图块中检测到同一个物体，可执行重复项检测来消除这种重复。
重复项检测是通过对图块和图像的建议运行 NMS 来执行的。 当多个建议重叠时，将选取分数最高的一个，其他建议将作为重复项被丢弃。如果两个建议之间的交并比 (iou) 大于 tile_predictions_nms_thresh 参数，则认为两者是重叠的。
还可以选择仅在推理期间启用平铺，而不在训练中启用。 为此，请仅在推理期间设置 tile_grid_size 参数，而在训练时则不设置它。
这样可以针对某些数据集来提高性能，并且可以避免在训练时由于使用平铺而产生额外成本。
平铺超参数
下面是可用于控制平铺功能的参数。
tile_grid_size
用于平铺每个图像的网格大小。 在训练、验证和推理期间可用。

应以 '3x2' 格式作为字符串传递。

 注意：设置此参数会成比例增加计算时间，因为模型将会处理所有图块和图像。
tile_overlap_ratio
控制每个维度中相邻图块之间的重叠率。 如果落在图块边界上的物体太大，因而无法完全放入其中一个图块，请增大此参数的值，使物体至少完全放入其中一个图块。
 
  必须是 [0, 1) 范围内的浮点数。
tile_predictions_nms_thresh
在合并图块和图像的预测时，用于执行非最大抑制 (nms) 的交并比阈值。 在验证和推理期间可用。 如果在最终预测中检测到了每个物体有多个框，请更改此参数。  

 必须是 [0, 1] 范围内的浮点数。
示例笔记本
有关设置和训练物体检测模型的详细代码示例，请参阅物体检测示例笔记本。
本文中的所有图像是根据 MIT 许可协议的“准许使用”部分提供的。
详细了解如何以及在何处部署模型。
有关为每次作业提供的性能图表和指标的定义和示例，请参阅评估自动化机器学习试验结果。
教程：使用 AutoML 和 Python 训练物体检测模型。
请参阅哪些超参数可用于计算机视觉任务。
使用 ONNX 对来自 AutoML 的计算机视觉模型进行预测