Contents Menu Expand Light mode Dark mode Auto light/dark, in light mode Auto light/dark, in dark mode Skip to content
AutoGluon 1.2.0 documentation
Light Logo Dark Logo

开始使用

  • 安装
  • 表格快速入门
  • 多模态快速开始
  • 时间序列快速入门

教程

  • Tabular
    • Essentials
    • 深入
    • How It Works
    • 特征工程
    • 表格 + 文本 + 图像
    • 高级
      • 多标签
      • Kaggle
      • GPU
      • 自定义指标
      • 自定义模型
      • 自定义模型高级
      • 部署
  • Multimodal
    • 多模态预测
      • AutoMM 用于图像 + 文本 + 表格 - 快速开始
      • AutoMM 用于文本和图像的实体提取 - 快速开始
      • AutoMM 用于文本 + 表格 - 快速开始
    • Object Detection
      • 目标检测快速入门
        • AutoMM 检测 - 在小型 COCO 格式数据集上快速开始
      • Object Detection Advanced
        • AutoMM 检测 - 在 COCO 格式数据集上使用自定义设置进行微调
      • 目标检测数据准备
        • 将数据转换为COCO格式
        • AutoMM 检测 - 准备坑洞数据集
        • AutoMM 检测 - 准备水彩数据集
        • AutoMM 检测 - 准备 COCO2017 数据集
        • AutoMM 检测 - 准备 Pascal VOC 数据集
        • AutoMM 检测 - 将 VOC 格式数据集转换为 COCO 格式
    • 图像预测
      • AutoMM 图像分类 - 快速开始
      • 使用CLIP进行零样本图像分类
    • 图像分割
      • AutoMM 语义分割 - 快速开始
    • 文本预测
      • AutoMM 文本 - 快速开始
      • AutoMM 用于命名实体识别 - 快速开始
      • AutoMM 中文命名实体识别 - 快速开始
      • AutoMM 用于文本 - 多语言问题
    • 文档预测
      • AutoMM 用于扫描文档分类
      • 使用AutoMM对PDF文档进行分类
    • 语义匹配
      • 使用AutoMM进行图像到图像的语义匹配
      • 使用AutoMM进行图像-文本语义匹配
      • 使用AutoMM进行文本到文本的语义匹配
      • 使用AutoMM进行文本语义搜索
      • 使用AutoMM进行图像-文本语义匹配 - 零样本
    • 高级主题
      • AutoMM 问题类型与指标
      • AutoMM中的超参数优化
      • 使用AutoMM进行持续训练
      • 自定义 AutoMM
      • AutoMM中的知识蒸馏
      • 通过参数高效微调进行单GPU十亿级模型训练
      • 使用AutoMM进行少样本学习
      • 使用AutoMM处理类别不平衡 - Focal Loss
      • AutoMM 预设
      • 使用TensorRT进行更快的预测
  • 时间序列
    • 快速开始
    • 深入
    • 使用Chronos进行预测
    • 模型库
    • 指标
  • 云训练和部署
    • AutoGluon Cloud
    • SageMaker AutoPilot 上的 AutoGluon 表格
    • 在无服务器模板上部署AutoGluon模型
    • 使用Amazon SageMaker进行云训练和部署

资源

  • Cheat Sheets
  • Versions
  • What's New
    • Version 1.1.1
    • 版本 1.1.0
    • Version 1.0.0
    • 版本 0.8.3
    • Version 0.8.2
    • 版本 0.8.1
    • 版本 0.8.0
    • 版本 0.7.0
    • Version 0.6.2
    • 版本 0.6.1
    • 版本 0.6.0
    • 版本 0.5.2
    • 版本 0.5.1
    • Version 0.4.3
    • 版本 0.4.2
    • 版本 0.4.1
    • Version 0.4.0
  • GitHub
  • 表格常见问题
  • 多模态常见问题解答
  • 时间序列常见问题解答

API

  • TabularPredictor
    • TabularPredictor.calibrate_decision_threshold
    • TabularPredictor.clone
    • TabularPredictor.clone_for_deployment
    • TabularPredictor.compile
    • TabularPredictor.delete_models
    • TabularPredictor.disk_usage
    • TabularPredictor.disk_usage_per_file
    • TabularPredictor.distill
    • TabularPredictor.evaluate
    • TabularPredictor.evaluate_predictions
    • TabularPredictor.feature_importance
    • TabularPredictor.features
    • TabularPredictor.fit
    • TabularPredictor.fit_extra
    • TabularPredictor.fit_pseudolabel
    • TabularPredictor.fit_summary
    • TabularPredictor.fit_weighted_ensemble
    • TabularPredictor.info
    • TabularPredictor.leaderboard
    • TabularPredictor.learning_curves
    • TabularPredictor.load
    • TabularPredictor.load_data_internal
    • TabularPredictor.load_log
    • TabularPredictor.model_failures
    • TabularPredictor.model_names
    • TabularPredictor.model_refit_map
    • TabularPredictor.persist
    • TabularPredictor.plot_ensemble_model
    • TabularPredictor.predict
    • TabularPredictor.predict_from_proba
    • TabularPredictor.predict_multi
    • TabularPredictor.predict_oof
    • TabularPredictor.predict_proba
    • TabularPredictor.predict_proba_multi
    • TabularPredictor.predict_proba_oof
    • TabularPredictor.refit_full
    • TabularPredictor.save
    • TabularPredictor.save_space
    • TabularPredictor.set_decision_threshold
    • TabularPredictor.set_model_best
    • TabularPredictor.simulation_artifact
    • TabularPredictor.transform_features
    • TabularPredictor.transform_labels
    • TabularPredictor.unpersist
  • TabularDataset
  • 表格模型
  • MultiModalPredictor
    • MultiModalPredictor.dump_model
    • MultiModalPredictor.evaluate
    • MultiModalPredictor.export_onnx
    • MultiModalPredictor.extract_embedding
    • MultiModalPredictor.fit
    • MultiModalPredictor.fit_summary
    • MultiModalPredictor.get_num_gpus
    • MultiModalPredictor.list_supported_models
    • MultiModalPredictor.load
    • MultiModalPredictor.optimize_for_inference
    • MultiModalPredictor.predict
    • MultiModalPredictor.predict_proba
    • MultiModalPredictor.save
    • MultiModalPredictor.set_num_gpus
    • MultiModalPredictor.set_verbosity
  • TimeSeriesPredictor
    • TimeSeriesPredictor.evaluate
    • TimeSeriesPredictor.feature_importance
    • TimeSeriesPredictor.fit
    • TimeSeriesPredictor.fit_summary
    • TimeSeriesPredictor.info
    • TimeSeriesPredictor.leaderboard
    • TimeSeriesPredictor.load
    • TimeSeriesPredictor.model_names
    • TimeSeriesPredictor.persist
    • TimeSeriesPredictor.plot
    • TimeSeriesPredictor.predict
    • TimeSeriesPredictor.refit_full
    • TimeSeriesPredictor.save
    • TimeSeriesPredictor.unpersist
  • TimeSeriesDataFrame
    • TimeSeriesDataFrame.convert_frequency
    • TimeSeriesDataFrame.copy
    • TimeSeriesDataFrame.dropna
    • TimeSeriesDataFrame.fill_missing_values
    • TimeSeriesDataFrame.from_data_frame
    • TimeSeriesDataFrame.from_iterable_dataset
    • TimeSeriesDataFrame.from_path
    • TimeSeriesDataFrame.from_pickle
    • TimeSeriesDataFrame.get_model_inputs_for_scoring
    • TimeSeriesDataFrame.infer_frequency
    • TimeSeriesDataFrame.num_timesteps_per_item
    • TimeSeriesDataFrame.slice_by_time
    • TimeSeriesDataFrame.slice_by_timestep
    • TimeSeriesDataFrame.split_by_time
    • TimeSeriesDataFrame.to_data_frame
    • TimeSeriesDataFrame.train_test_split
  • 特征生成器
  • FeatureMetadata
    • FeatureMetadata.add_special_types
    • FeatureMetadata.from_df
    • FeatureMetadata.get_feature_type_raw
    • FeatureMetadata.get_feature_types_special
    • FeatureMetadata.get_features
    • FeatureMetadata.get_type_group_map_raw
    • FeatureMetadata.get_type_group_map_special_from_type_map_special
    • FeatureMetadata.get_type_map_special
    • FeatureMetadata.join_metadata
    • FeatureMetadata.join_metadatas
    • FeatureMetadata.keep_features
    • FeatureMetadata.print_feature_metadata_full
    • FeatureMetadata.remove_features
    • FeatureMetadata.rename_features
    • FeatureMetadata.to_dict
    • FeatureMetadata.verify_data
    • FeatureMetadata.verify_data_subset
    • FeatureMetadata.verify_data_superset
  • 搜索空间
Back to top
View this page

图像分割¶

AutoMM for Semantic Segmentation - Quick Start

如何使用AutoMM训练语义分割模型。

beginner_semantic_seg.html
Next
AutoMM for Semantic Segmentation - Quick Start
Previous
Zero-Shot Image Classification with CLIP
Copyright © 2024, All authors. Licensed under Apache 2.0.
Made with Sphinx and @pradyunsg's Furo