13.7.4. Навчання моделі¶

Маючи розмічений набір даних, навчання є керованим процесом на сторінці Train: зафіксуйте версію набору даних, виберіть архітектуру і передайте запуск серверам Roboflow.

13.7.4.1. Версія набору даних¶

Перед навчанням Roboflow створює версію набору даних — фіксований знімок зображень плюс два перетворення, що застосовуються під час завантаження:

Preprocessing змінює розмір кожного зображення до роздільної здатності, на якій навчається модель. Тримайте цю роздільну здатність невеликою: камера запускає невеликі моделі, і детектор, навчений при скромній роздільній здатності, вміщується в пам’ять камери та працює швидко.
Augmentation синтезує додаткові навчальні зображення шляхом збурення оригіналів — перевертання, зміни яскравості та витримки, розмиття, шуму. Кожне доповнення навчає модель (МН) переносити реальну варіацію, з якою вона зустрінеться на камері, що дозволяє значно розширити невеликий вручну зібраний набір даних.

Roboflow's saturation augmentation settings, previewing the original image alongside reduced and increased saturation versions — Попередній перегляд доповнення: кожен параметр показує, що він робить із зразком зображення, перш ніж ви додаєте його до версії.¶

Підбирайте доповнення до варіацій, які камера справді буде бачити. Яскравість і витримка виправдовують своє місце — освітлення змінюється постійно. Пропускайте ті, що ніколи не трапляються у вашому налаштуванні; камера, закріплена на місці, ніколи не бачить вертикального перевертання, тому доповнення перевертання лише розбавляє набір даних.

13.7.4.2. Вибір архітектури¶

Далі виберіть архітектуру моделі (МН). Roboflow пропонує кілька варіантів, кожен з вибором розміру, що дозволяє обмінювати точність на швидкість.

Roboflow's Select Architecture page with Roboflow RF-DETR, YOLO26, Roboflow 3.0, and YOLOv11 options, each with a model-size dropdown — Вибір архітектур — кожна з вибором розміру, що дозволяє обмінювати точність на швидкість інференсу.¶

Для камери виберіть Roboflow 3.0. Під капотом це YOLOv8, і камера постачається з пост-процесором YOLOv8 у ml.postprocessing.ultralytics, тому його вивід декодується без додаткового коду з вашого боку. Виберіть розмір Fast — він вміщується в пам’ять камери та працює з прийнятною частотою кадрів.

13.7.4.3. Запуск навчання¶

Запустіть процес, і навчання відбувається на серверах Roboflow — зазвичай значно менше години для невеликого набору даних, з електронним листом після завершення. Сторінка версії потім показує графіки навчання та метрики точності: mAP, precision і recall.

Roboflow's trained-model version page showing the metrics panel with mAP, precision, recall, and F1, above the Deploy Your Model section — Навчена модель (МН) з метриками точності. Звідси сторінка *Visualize* також дозволяє запустити її на тестових зображеннях або через веб-камеру для швидкої перевірки.¶

Якщо числа хороші, модель готова до розгортання. Якщо ні, рішення зазвичай полягає в більшій або різноманітнішій кількості даних — запишіть ще один кліп, розмітьте його і навчіть нову версію.