13.1.17. Datamängdsredigeraren

Att träna en anpassad klassificerare börjar med en etiketterad datamängd – hundratals bilder av varje sak som modellen ska känna igen, fångade av den kamera som ska köra den, sorterade i en mapp per klass. Datamängdsredigeraren är IDE:ns infångningsarbetsflöde för att bygga en sådan.

Tools → Dataset Editor → New Dataset frågar efter en mapp att bygga datamängden i – och varnar för att innehållet i en icke-tom mapp kommer att raderas – och ställer in den: en filbläddringspanel dockas till vänster i huvudfönstret, och ett infångningsskript (dataset_capture_script.py) öppnas i redigeraren. Skriptet är en enkel infångningsloop, och det är tänkt att redigeras – tillämpa samma linskorrigering, beskärning eller filtrering som den distribuerade applikationen kommer att använda, så att modellen tränas på de bilder den faktiskt kommer att se. Open Dataset öppnar på nytt en befintlig datamängdsmapp senare, och Close Dataset återställer fönstret till det normala.

13.1.17.1. Infångning

Medan en datamängd är öppen ansluter sig två knappar till verktygsraden vid fönstrets vänstra kant, under körkontrollerna. New Class Folder (Ctrl+Shift+N) skapar en klass – en per kategori som modellen ska lära sig, namngiven efter etiketten. Med infångningsskriptet körande och en klassmapp vald sparar Capture Data (Ctrl+Shift+S) den aktuella bildbuffertbilden i den klassen, och förhandsvisningspanelen under filbläddraren visar varje infångning när den landar.

Infångningsrytmen är: välj en klass, rikta kameran mot ett exempel av den, fånga; flytta objektet, variera vinkeln, avståndet, bakgrunden, belysningen, fånga igen – variation i datamängden är det som ger robusthet i modellen. Upprepa per klass, inklusive en bakgrundsklass med scener som inte innehåller något av målen om applikationen behöver veta när ingenting finns där.

13.1.17.2. Exportera och träna

Undermenyn Export skickar den färdiga datamängden till träning. Export Dataset to Zip File paketerar den i ett arkiv med klassprefixerade filnamn – det neutrala format som alla träningstjänster och ramverk accepterar. För Edge Impulse integrerar IDE:n direkt: logga in på ett Edge Impulse-konto från samma undermeny, och Upload to Edge Impulse Project skjuter datamängden direkt in i ett projekt (en API-nyckeluppladdning finns för konto där inloggning med e-post och lösenord inte är ett alternativ). Träna där, exportera modellen, och NPU-konverteraren gör den kameraklar när kortet behöver det.

Se även

kapitlet om maskininlärning för det träningsarbetsflöde som datamängden matar in i.