13.7.4. Addestramento del modello¶

Con un dataset etichettato a disposizione, l’addestramento è un flusso guidato nella pagina Train: blocca una versione del dataset, scegli un’architettura e affida l’esecuzione ai server di Roboflow.

13.7.4.1. La versione del dataset¶

Prima dell’addestramento, Roboflow costruisce una versione del dataset – uno snapshot congelato delle immagini più due trasformazioni applicate in ingresso:

Il Preprocessing ridimensiona ogni immagine alla risoluzione con cui il modello si addestra. Mantieni piccola quella risoluzione: la camera esegue modelli piccoli, e un detector addestrato a una risoluzione modesta entra nella memoria della camera ed è veloce.
L”Augmentation sintetizza immagini di addestramento aggiuntive perturbando le originali – ribaltamenti, variazioni di luminosità ed esposizione, sfocatura, rumore. Ogni augmentation insegna al modello a tollerare una variazione reale che incontrerà sulla camera, il che estende molto di più un piccolo dataset acquisito a mano.

Le impostazioni di augmentation della saturazione di Roboflow, con l'anteprima dell'immagine originale affiancata alle versioni con saturazione ridotta e aumentata — Un’anteprima di augmentation: ogni opzione mostra cosa fa a un’immagine campione prima di confermarla nella versione.¶

Fai corrispondere le augmentation alle variazioni che la camera vedrà davvero. Luminosità ed esposizione meritano il loro posto – l’illuminazione cambia di continuo. Salta quelle che non accadono mai nella tua configurazione; una camera fissata in posizione non vede mai un ribaltamento verticale, quindi l’augmentation di ribaltamento non fa che diluire il dataset.

13.7.4.2. Scelta di un’architettura¶

Poi, scegli l’architettura del modello. Roboflow ne offre diverse, ciascuna con un selettore di dimensione che bilancia accuratezza e velocità.

La pagina Select Architecture di Roboflow con le opzioni Roboflow RF-DETR, YOLO26, Roboflow 3.0 e YOLOv11, ciascuna con un menu a discesa per la dimensione del modello — Le scelte di architettura – ciascuna con un selettore di dimensione che bilancia accuratezza e velocità di inferenza.¶

Per la camera, scegli Roboflow 3.0. È YOLOv8 sotto il cofano, e la camera fornisce un post-processore YOLOv8 in ml.postprocessing.ultralytics, perciò il suo output si decodifica senza codice aggiuntivo da parte tua. Scegli la dimensione Fast – entra nella memoria della camera ed esegue a un frame rate utilizzabile.

13.7.4.3. Esecuzione dell’addestramento¶

Avvia l’esecuzione e l’addestramento avviene sui server di Roboflow – di solito ben al di sotto di un’ora per un piccolo dataset, con una email al completamento. La pagina della versione mostra poi i grafici di addestramento e le metriche di accuratezza: mAP, precisione e recall.

La pagina della versione del modello addestrato di Roboflow che mostra il pannello delle metriche con mAP, precisione, recall e F1, sopra la sezione Deploy Your Model — Il modello addestrato con le sue metriche di accuratezza. Da qui, la pagina *Visualize* lo esegue anche su immagini di test o su una webcam per un rapido controllo di validità.¶

Se i numeri sono buoni, il modello è pronto per il deploy. In caso contrario, la soluzione è di solito una quantità maggiore o più variata di dati – acquisisci un altro clip, etichettalo e addestra una nuova versione.