13.7.4. Melatih model

Dengan dataset berlabel di tangan, pelatihan adalah alur terpandu di halaman Train: kunci versi dataset, pilih arsitektur, dan serahkan jalannya ke server Roboflow.

13.7.4.1. Versi dataset

Sebelum pelatihan, Roboflow membangun versi dataset -- snapshot yang dibekukan dari citra beserta dua transformasi yang diterapkan pada saat masuk:

  • Preprocessing mengubah ukuran setiap citra ke resolusi yang digunakan model saat pelatihan. Pertahankan resolusi tersebut tetap kecil: kamera menjalankan model kecil, dan detektor yang dilatih pada resolusi sederhana sesuai dengan memori kamera dan berjalan cepat.

  • Augmentation menyintesis citra pelatihan tambahan dengan mengubah aslinya -- flip, pergeseran kecerahan dan eksposur, blur, noise. Setiap augmentasi mengajarkan model untuk mentoleransi variasi nyata yang akan ditemuinya pada kamera, yang memperluas dataset kecil yang dikumpulkan secara manual jauh lebih jauh.

Roboflow's saturation augmentation settings, previewing the original image alongside reduced and increased saturation versions

Pratinjau augmentasi: setiap opsi menunjukkan apa yang dilakukannya pada citra sampel sebelum Anda mengkomitnya ke versi.

Sesuaikan augmentasi dengan variasi yang sebenarnya akan dilihat kamera. Kecerahan dan eksposur sangat layak digunakan -- pencahayaan terus berubah. Lewati yang tidak pernah terjadi dalam setup Anda; kamera yang dipasang tetap tidak pernah melihat flip vertikal, sehingga augmentasi flip hanya mengencerkan dataset.

13.7.4.2. Memilih arsitektur

Selanjutnya, pilih arsitektur model. Roboflow menawarkan beberapa opsi, masing-masing dengan selektor ukuran yang menyeimbangkan akurasi dengan kecepatan.

Roboflow's Select Architecture page with Roboflow RF-DETR, YOLO26, Roboflow 3.0, and YOLOv11 options, each with a model-size dropdown

Pilihan arsitektur -- masing-masing dengan selektor ukuran yang menyeimbangkan akurasi dengan kecepatan inferensi.

Untuk kamera, pilih Roboflow 3.0. Ini adalah YOLOv8 di balik layar, dan kamera dilengkapi post-processor YOLOv8 di ml.postprocessing.ultralytics, sehingga outputnya didekode tanpa kode tambahan di pihak Anda. Pilih ukuran Fast -- ukuran ini sesuai dengan memori kamera dan berjalan pada frame rate yang dapat digunakan.

13.7.4.3. Menjalankan pelatihan

Mulai jalannya dan pelatihan berlangsung di server Roboflow -- biasanya jauh di bawah satu jam untuk dataset kecil, dengan email saat selesai. Halaman versi kemudian menampilkan grafik pelatihan dan metrik akurasi: mAP, presisi, dan recall.

Roboflow's trained-model version page showing the metrics panel with mAP, precision, recall, and F1, above the Deploy Your Model section

Model terlatih beserta metrik akurasinya. Dari sini, halaman Visualize juga menjalankannya pada citra uji atau webcam untuk pemeriksaan cepat.

Jika angkanya baik, model siap untuk dideploy. Jika tidak, perbaikannya biasanya adalah lebih banyak atau data yang lebih bervariasi -- rekam klip lain, beri label, dan latih versi baru.