تدريب نموذج للكشف عن الأجسامLaiCai Flow

• Include different positions, sizes, lighting, backgrounds, animation frames, and partial occlusion.
• حافظوا على أمثلة صعبة: أشياء صغيرة، أطراف حافة، طائشة، جمهور، غير أهداف متشابهة بصريا.
• أضف بعض الصور الخلفية حيث لا يظهر أي من صفوفك المستهدفة ملفاتهم فارغة
• ليس هناك حد أدنى عالمي وللاختبار الأول، يستهدف ما لا يقل عن ٥٠ صندوقا متنوعا لكل فصل؛ وتحتاج الفصول الصعبة أو المماثلة عادة إلى ١٠٠-٢٠٠ أو أكثر.

• كل حالة واضحة لكل فئة مستهدفة يجب تسميتها يتم تعلم هدف غير محدد كخلفية
• Use the same box policy everywhere: tight around the visible object, without large margins.
• نُسخت أسماء مفضلة مثل النحاس أو النحاس عندما تغير أداة الوسم الأماكن.

1. 1

   افتح الماكيسيس وارفع صور المصدر حافظ على ملف الصور الأصلي الخاص بك؛ والعلامة المصدرة ZIP لا يحل محله. (MakeSense.ai)

2. 2

   اختر كشف الأجسام وليس التعرف على الصور (Object Detection · Image Recognition)

3. 3

   إنشاء القائمة النهائية في ترتيب ثابت، ثم رسم تراجع حول كل حالة مستهدفة.

4. 4

   استعراض الصور الفارغة، الأشياء المفقودة، الفصول الخاطئة، وصناديق مفتوحة قبل التصدير.

5. 5

   Export Rect annotations as a ZIP package inYOLOشكل

dataset/
├── images/
│   ├── train/
│   └── val/
├── labels/
│   ├── train/
│   └── val/
└── data.yaml

path: /absolute/path/to/dataset
train: images/train
val: images/val

names:
  0: Copper
  1: CopperDepleted
  2: Wood
  3: Monster

A practical starting split is 80% train and 20% validation. ويجب أن تتضمن مجموعة المصادقة مشاهد غير مرئية حقا.

• من أجل دفعة شروح جديدة، لا تحتاج إلى رفع الصور القديمة إلى ماكينس.اي مرة أخرى. (MakeSense.ai)
• دمج الصور والعلامات الجديدة خارج الخط، ثم جني بطاقات هوية رقمية بالاسم الفصلي حتى يبقى النظام الأصلي دون تغيير.
• التأقلم مع مجموعة البيانات القديمة الجديدة التدريب فقط على الصور الجديدة يمكن أن تجعل الفصول القديمة تتصرف كالخلفية.

python3 -m venv .venv
source .venv/bin/activate
python -m pip install --upgrade pip
pip install ultralytics==8.4.138 onnx==1.22.0 \
  onnxruntime==1.29.0 onnxslim==0.1.96

بارامترات البدء الموصى بها

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
model.train(
    data="dataset/data.yaml",
    imgsz=960,
    epochs=200,
    patience=40,
    batch=8,
    device="mps",  # NVIDIA: 0 · CPU: "cpu"
    workers=4,
    seed=42,
    close_mosaic=15,
)

• الدقة: كم عدد حالات الكشف المبلغ عنها صحيحة.
• Recall: how many real objects were found.
• mAP50 and mAP50-95: overall localization and classification quality across thresholds.
• مصفوفة الكونفوس: أي صفوف مخطوءة لبعضها البعض أو لخلفية.

from ultralytics import YOLO

model = YOLO("runs/detect/train/weights/best.pt")
model.export(
    format="onnx",
    imgsz=960,
    batch=1,
    dynamic=False,
    simplify=True,
    nms=None,
)

مجموعة الدليل النموذجي

اختار الدليل نفسه في مكتبة لاي كاي النموذجية. يجب أن يحتوي الدليل على الوصية و الملف الخاص بـ (أن نكس) مسمّى بالنموذج (فايل) يجب أن تبدأ بطاقات الهوية من الدرجة صفر وأن تبقى متقاربة. (ONNX · config.json · modelFile)

game-objects/
├── config.json
└── model.onnx

{
  "id": "game-objects-v1",
  "name": "Game Objects v1",
  "type": "yolo",
  "modelFile": "model.onnx",
  "outputFormat": "raw_yolo_no_objectness",
  "id2label": {
    "0": "Copper",
    "1": "CopperDepleted",
    "2": "Wood",
    "3": "Monster"
  },
  "label2id": {
    "Copper": 0,
    "CopperDepleted": 1,
    "Wood": 2,
    "Monster": 3
  }
}

• (ب) اختيار النموذج في المكتبة النموذجية وتأكيد مدخله، والناتج، وشكل النواتج، وقائمة الطبقة.
• Use Test Current Screen with a class and a reasonable starting threshold such as 0.5.
• اختبار الأطر الإيجابية والأطر السلبية أو المحيرة. الدعوة الناجحة لا تشبه الجسم المكتشف
• بعد التثبت المكتبي، اختبار نفس النموذج بشكل منفصل على أندرويد وكيل إذا فلو سير على الهاتف. (Android Agent)