13.7.4. Modeli eğitme

Elinizde etiketlenmiş bir veri kümesi varken, eğitim Train sayfasında yönlendirilen bir akıştır: bir veri kümesi sürümünü sabitleyin, bir mimari seçin ve çalıştırmayı Roboflow’un sunucularına devredin.

13.7.4.1. Veri kümesi sürümü

Eğitimden önce Roboflow bir veri kümesi sürümü oluşturur – görüntülerin dondurulmuş bir anlık görüntüsü ve girişte uygulanan iki dönüşüm:

• Preprocessing her görüntüyü modelin eğitildiği çözünürlüğe yeniden boyutlandırır. O çözünürlüğü küçük tutun: kamera küçük modeller çalıştırır ve mütevazı bir çözünürlükte eğitilmiş bir tespitçi kameranın belleğine sığar ve hızlı çalışır.

• Augmentation, orijinalleri bozarak ekstra eğitim görüntüleri sentezler – çevirmeler, parlaklık ve pozlama kaymaları, bulanıklaştırma, gürültü. Her veri çoğaltma, modele kamerada karşılaşacağı gerçek bir varyasyona tolerans göstermeyi öğretir, bu da elle yakalanmış küçük bir veri kümesini çok daha verimli hale getirir.

Bir veri çoğaltma önizlemesi: her seçenek, sürüme dahil etmeden önce örnek bir görüntüye ne yaptığını gösterir.

Veri çoğaltmaları, kameranın gerçekten göreceği varyasyonlarla eşleştirin. Parlaklık ve pozlama yerlerini hak eder – aydınlatma sürekli değişir. Kurulumunuzda asla gerçekleşmeyenleri atlayın; sabitlenmiş bir kamera asla dikey çevirme görmez, bu yüzden çevirme veri çoğaltması yalnızca veri kümesini sulandırır.

13.7.4.2. Bir mimari seçme

Ardından model mimarisini seçin. Roboflow, her biri doğruluğu hıza karşı dengeleyen bir boyut seçicisine sahip çeşitli seçenekler sunar.

Mimari seçenekleri – her biri doğruluğu çıkarım hızına karşı dengeleyen bir boyut seçicisine sahip.

Kamera için Roboflow 3.0 seçin. Arka planda YOLOv8’dir ve kamera, ml.postprocessing.ultralytics içinde bir YOLOv8 sonradan işleyicisi sunar, bu yüzden çıktısı sizin tarafınızda ekstra kod olmadan çözülür. Fast boyutunu seçin – kameranın belleğine sığar ve kullanılabilir bir kare hızında çalışır.

13.7.4.3. Eğitimi çalıştırma

Çalıştırmayı başlatın ve eğitim Roboflow’un sunucularında gerçekleşir – küçük bir veri kümesi için genellikle bir saatin oldukça altında, bittiğinde bir e-posta ile. Sürüm sayfası daha sonra eğitim grafiklerini ve doğruluk metriklerini gösterir: mAP, kesinlik ve geri çağırma.

Doğruluk metrikleriyle eğitilmiş model. Buradan Visualize sayfası da hızlı bir sağlama kontrolü için onu test görüntülerinde veya bir web kamerasında çalıştırır.

Sayılar iyiyse model dağıtıma hazırdır. Değilse, çözüm genellikle daha fazla veya daha çeşitli veridir – başka bir klip yakalayın, etiketleyin ve yeni bir sürüm eğitin.