模型训练
使用说明
模型训练的目的是使用生成的训练数据进行神经网络模型训练。整体训练过程通过多次迭代（epoch）的方式来得到训练结果更优的网络模型，同时，通过超参数调优（学习率、单步运算量等）可提升模型训练效率和准确度，以得到可用的神经网络模型。
此外，也可以使用少量的样本数据对预训练模型进行微调，使模型更好地适应具体应用场景，同时减少训练时间。
参数说明
- 训练数据路径：选择生成的训练数据文件夹。
- 训练模型用途：选择训练数据路径后自动匹配。
- 模型算法：根据模型用途选择合适的模型算法，会自动选择最推荐算法，用户可根据需要自行选择。该参数默认为“自定义”则表示resources_ml资源包未配置成功。在加载预训练模型的情况下，模型算法将以预训练模型为准自动匹配。
- 训练配置文件：选择训练需要的算法配置文件（*.sdt），该文件记录部分训练过程中用到的超参数，如骨干网络结构和骨干网络权重等。当模型算法参数选择某一网络结构时，该参数会自动选择默认路径（resources_ml/trainer_config）中的训练配置文件；当模型算法参数选择“自定义”时，可选择自定义路径中的训练配置文件。
- 训练次数：所有训练数据参与模型训练的次数（Epoch）。随着训练次数的增多，模型拟合度越大但可能过拟合。运行花费时间与训练次数成正比。默认值为10，用户可根据需求选择。
- 单步运算量：一次训练中单步运算的图片数量（Batch Size）。多个图片组成的一份训练数据称之为一个Batch，每个Batch所含的图片数量称为Batch Size。适当增大单步运算量，可以提升训练效率和模型精度，但其受推理设备显存（GPU训练）或者内存（CPU训练）大小的限制。默认值为1，用户需要根据配置选择。
- 学习率：表示模型参数的更新幅度（Learning Rate），可根据需要和经验设置。若难以确定合适的学习率，可不填写该参数，产品内设了基准学习率和基准单步运算量，将根据用户设置的单步运算量使用线性缩放后的学习率。
- 训练日志路径：用户设定的训练日志存储路径，该路径下会生成多个文件夹。需要选择一个空文件夹。
- 加载预训练模型：若勾选该选项，则需要选择预训练模型的模型文件（.sdm）并选择微调方法，工具将基于预训练模型进行迁移学习。模型算法为SegFormer和Mask2Former时，微调方法可选全量微调和LoRA微调，其他模型算法仅支持全量微调。LoRA微调适用于大参数量模型的高效迁移训练，降低大参数量模型迁移学习资源消耗。
注意事项：- 若预训练模型是Mask2Former二元分类或地物分类模型，则训练数据的分类体系（包括类别数量和类别顺序）可以与预训练模型不同，支持地物分类模型迁移至二元分类模型。但训练数据尺寸、影像波段数、影像波段顺序需要与预训练模型一致。
- 若预训练模型是Mask2Former之外的其他模型，则训练数据尺寸、分类体系、影像波段数、影像波段顺序、训练模型用途需要与预训练模型一致。
- 处理器类型：可以使用计算机中央处理器（CPU）或图形处理单元（GPU）来处理数据。GPU具有较快的计算速度。
- GPU编号：指定用于处理数据的GPU标识号，默认值为0，CPU推理固定为-1。若使用GPU推理，需要在系统命令行中通过“nvidia-smi”命令查询GPU编号，GPU编号以查询到的结果为准，如果有多个GPU，可以指定用于处理数据的GPU标识号。若需要使用多个GPU，请使用英文逗号“,”隔开，如：“0,2,3”，表示使用编号为0、2、3的GPU。
- 模型存储路径：指定模型保存路径。
- 模型名：指定模型名称。