13.7.4. 訓練模型

手上有了已標記的資料集後，訓練就是 Train 頁面上的一個引導式流程：鎖定一個資料集版本、挑選一種架構，並將執行交給 Roboflow 的伺服器。

13.7.4.1. 資料集版本

在訓練之前，Roboflow 會建構一個資料集版本——影像的凍結快照，再加上兩個在匯入過程中套用的轉換：

• Preprocessing 會將每張影像縮放到模型所訓練的解析度。請將該解析度保持得小：相機執行的是小型模型，而以中等解析度訓練的偵測器能符合相機的記憶體並快速執行。

• Augmentation 會藉由擾動原始影像來合成額外的訓練影像——翻轉、亮度與曝光偏移、模糊、雜訊。每一種增強都教導模型容忍它在相機上會遇到的某種真實變化，這讓一個少量的手動擷取資料集能延展得更遠。

增強預覽：每個選項都會在你將它套用到版本之前，先展示它對範例影像所造成的效果。

讓增強與相機實際會看到的變化相匹配。亮度與曝光值得保留——光線會不斷改變。略過那些在你的設定中從不會發生的增強；固定安裝的相機永遠不會看到垂直翻轉，因此翻轉增強只會稀釋資料集。

13.7.4.2. 選擇架構

接著，挑選模型架構。Roboflow 提供數種架構，每一種都有一個在準確度與速度之間取捨的大小選擇器。

架構選擇——每一種都有一個在準確度與推論速度之間取捨的大小選擇器。

對於相機，請挑選 Roboflow 3.0。它底層其實是 YOLOv8，而相機在 ml.postprocessing.ultralytics 中隨附了一個 YOLOv8 後處理器，因此其輸出可以解碼而無需你這邊撰寫額外的程式碼。選擇 Fast 大小——它能符合相機的記憶體並以可用的影格率執行。

13.7.4.3. 執行訓練

開始執行，訓練便會在 Roboflow 的伺服器上進行——對於小型資料集通常遠少於一小時，完成時會寄送一封電子郵件。接著版本頁面會顯示訓練圖表與準確度指標：mAP、精確率與召回率。

訓練完成的模型及其準確度指標。從這裡，Visualize 頁面也能在測試影像或網路攝影機上執行它，以進行快速的合理性檢查。

如果數字不錯，模型便準備好可以部署了。如果不行，解決辦法通常是更多或更多樣的資料——再擷取一段影片素材、為它加上標籤，並訓練一個新版本。