13.7.4. Обучение модели¶

Имея размеченный набор данных, обучение представляет собой пошаговый процесс на странице Train: зафиксируйте версию набора данных, выберите архитектуру и передайте запуск серверам Roboflow.

13.7.4.1. Версия набора данных¶

Перед обучением Roboflow создаёт версию набора данных — замороженный снимок изображений плюс два преобразования, применяемых на входе:

Preprocessing изменяет размер каждого изображения до разрешения, при котором обучается модель. Держите это разрешение небольшим: камера запускает небольшие модели, и детектор, обученный при умеренном разрешении, помещается в память камеры и работает быстро.
Augmentation синтезирует дополнительные обучающие изображения, искажая оригиналы — отражения, изменения яркости и экспозиции, размытие, шум. Каждая аугментация учит модель переносить реальное изменение, с которым она столкнётся на камере, что позволяет гораздо дальше растянуть небольшой набор данных, собранный вручную.

Настройки аугментации насыщенности в Roboflow с предпросмотром оригинального изображения рядом с версиями с пониженной и повышенной насыщенностью — Предпросмотр аугментации: каждый вариант показывает, что он делает с образцом изображения, прежде чем вы примените его к версии.¶

Сопоставляйте аугментации с теми вариациями, которые камера действительно увидит. Яркость и экспозиция оправдывают своё место — освещение постоянно меняется. Пропускайте те, которые никогда не происходят в вашей установке; камера, закреплённая на месте, никогда не видит вертикального отражения, поэтому аугментация отражением лишь размывает набор данных.

13.7.4.2. Выбор архитектуры¶

Затем выберите архитектуру модели. Roboflow предлагает несколько, каждая с селектором размера, обменивающим точность на скорость.

Страница Roboflow Select Architecture с вариантами Roboflow RF-DETR, YOLO26, Roboflow 3.0 и YOLOv11, каждый с выпадающим списком размера модели — Выбор архитектуры — каждый с селектором размера, обменивающим точность на скорость вывода.¶

Для камеры выберите Roboflow 3.0. По сути это YOLOv8, и камера поставляет постобработчик YOLOv8 в ml.postprocessing.ultralytics, поэтому её вывод декодируется без дополнительного кода с вашей стороны. Выберите размер Fast — он помещается в память камеры и работает с приемлемой частотой кадров.

13.7.4.3. Запуск обучения¶

Запустите процесс, и обучение произойдёт на серверах Roboflow — обычно значительно меньше часа для небольшого набора данных, с уведомлением по электронной почте по завершении. Затем страница версии показывает графики обучения и метрики точности: mAP, точность (precision) и полнота (recall).

Страница версии обученной модели Roboflow, показывающая панель метрик с mAP, precision, recall и F1, над разделом Deploy Your Model — Обученная модель с её метриками точности. Отсюда страница *Visualize* также запускает её на тестовых изображениях или с веб-камеры для быстрой проверки работоспособности.¶

Если цифры хорошие, модель готова к развёртыванию. Если нет, исправление обычно заключается в большем количестве или более разнообразных данных — запишите ещё один ролик, разметьте его и обучите новую версию.