Trainieren Sie ein benutzerdefiniertes Objekterkennungsmodell fürLaiCai Flow

• Fügen Sie verschiedene Positionen, Größen, Beleuchtung, Hintergründe, Animationsrahmen und teilweise Okklusion hinzu.
• Behalten Sie schwierige Beispiele: winzige Objekte, Edge-Objekte, Unschärfen, Popups und visuell ähnliche Nicht-Ziele.
• Fügen Sie einige Hintergrundbilder hinzu, bei denen keine Ihrer Zielklassen angezeigt wird. Ihre Etikettendateien sind leer.
• Es gibt kein universelles Minimum. Für einen ersten Test sollten Sie mindestens 50 verschiedene Boxen pro Klasse anstreben; schwierige oder ähnliche Klassen benötigen normalerweise 100-200 oder mehr.

• Jede sichtbare Instanz jeder Zielklasse muss gekennzeichnet werden. Ein unbeschriftetes Ziel wird als Hintergrund gelernt.
• Verwenden Sie überall die gleiche Box-Politik: eng um das sichtbare Objekt herum, ohne große Ränder.
• Bevorzugen Sie Namen wie CopperDepleted oder copper depleted, wenn ein Beschriftungstool Leerzeichen ändert.

1. 1

   Öffnen Sie MakeSense.ai und laden Sie die Quellbilder hoch. Behalten Sie Ihren ursprünglichen Bildordner; das exportierte Label ZIP ersetzt es nicht.

2. 2

   Wählen Sie Objekterkennung, nicht Bilderkennung. (Object Detection · Image Recognition)

3. 3

   Erstellen Sie die endgültige Klassenliste in einer festen Reihenfolge und zeichnen Sie dann ein Rechteck um jede Zielinstanz.

4. 4

   Überprüfen Sie leere Bilder, verpasste Objekte, falsche Klassen und lose Boxen vor dem Export.

5. 5

   Rect-Anmerkungen als ZIP-Paket inYOLOFormat. (Rect annotations)

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

Ein praktischer Startsplit ist 80% Zug und 20% Validierung. Das Validierungsset muss wirklich unsichtbare Szenen enthalten.

• Für einen neuen Annotationsbatch müssen Sie die alten Bilder nicht erneut auf MakeSense.ai hochladen.
• Fügen Sie die neuen Bilder und Beschriftungen offline zusammen und ordnen Sie dann numerische Klassen-IDs nach Klassennamen neu, damit die ursprüngliche Reihenfolge unverändert bleibt.
• Umschulung mit dem kompletten alten + neuen Datensatz. Das Training nur auf den neuen Bildern kann dazu führen, dass sich alte Klassen wie Hintergrund verhalten.

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

Empfohlene Startparameter

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,
)

• Präzision: wie viele gemeldete Nachweise korrekt sind.
• Daran erinnern: wie viele reale Objekte gefunden wurden.
• mAP50 und mAP50-95: Gesamtlokalisierungs- und Klassifizierungsqualität über Schwellenwerte hinweg.
• Verwirrungsmatrix: welche Klassen füreinander oder für den Hintergrund verwechselt werden.

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,
)

Packen Sie das Modellverzeichnis

Wählen Sie das Verzeichnis selbst in der LaiCai-Modellbibliothek. Das Verzeichnis muss config.json und die von modelFile benannte ONNX-Datei enthalten. Die Klassen-IDs müssen bei 0 beginnen und zusammenhängend bleiben.

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
  }
}

• Wählen Sie das Modell in der Modellbibliothek aus und bestätigen Sie Eingabe, Ausgabe, Ausgabeformat und Klassenliste.
• Verwenden Sie Test Current Screen mit einer Klasse und einem angemessenen Startschwellenwert wie 0,5.
• Teste sowohl positive Frames als auch negative oder verwirrende Frames. Ein erfolgreicher Inferenzaufruf ist nicht dasselbe wie ein erkanntes Objekt.
• Testen Sie nach der Desktop-Validierung dasselbe Modell separat auf Android Agent, wenn der Flow auf dem Telefon ausgeführt wird.