Former un modèle de détection d'objets personnalisé pourLaiCai Flow

• Inclure différentes positions, tailles, éclairage, milieux, cadres d'animation et occlusion partielle.
• Gardez des exemples difficiles : petits objets, objets bord, flou, popups, et visuellement semblables non-cibles.
• Ajoutez des images de fond où aucune de vos classes cibles n'apparaît. Leurs fichiers d'étiquette sont vides.
• Il n'y a pas de minimum universel. Pour un premier essai, viser au moins 50 boîtes variées par classe; les classes difficiles ou semblables ont généralement besoin de 100 à 200 ou plus.

• Chaque instance visible de chaque classe cible doit être étiquetée. Une cible non marquée est apprise en tant que contexte.
• Utilisez la même politique de boîte partout: serré autour de l'objet visible, sans grandes marges.
• Préférez des noms comme CopperDepleted ou Copper depleted lorsqu'un outil d'étiquetage change d'espaces.

1. 1

   Ouvrez MakeSense.ai et téléchargez les images sources. Gardez votre dossier image d'origine; l'étiquette exportée ZIP ne le remplace pas.

2. 2

   Choisissez Détection d'objet, pas reconnaissance d'image. (Object Detection · Image Recognition)

3. 3

   Créez la liste de classes finale dans un ordre fixe, puis dessinez un rectangle autour de chaque instance cible.

4. 4

   Examinez les images vides, les objets manqués, les mauvaises classes et les cases lâches avant d'exporter.

5. 5

   Exporter les rect annotations en tant que paquet ZIP dansYOLOmodèle. (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

Une fraction de départ pratique est 80% de train et 20% de validation. L'ensemble de validation doit contenir des scènes réellement invisibles.

• Pour un nouveau lot d'annotation, vous n'avez pas besoin de télécharger les anciennes images sur MakeSense.ai à nouveau.
• Fusionner les nouvelles images et les étiquettes hors ligne, puis remodeler les ID de classe numérique par nom de classe afin que l'ordre original reste inchangé.
• Reformer avec l'ancien ensemble de données complet + nouveau. L'entraînement uniquement sur les nouvelles images peut faire que les anciennes classes se comportent comme du fond.

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

Paramètres de départ recommandés

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,
)

• Précision : combien de détections sont correctes.
• Rappel : combien d'objets réels ont été trouvés.
• mAP50 et mAP50-95: localisation globale et qualité de classification entre les seuils.
• Matrice de confusion: quelles classes se confondent ou se confondent avec le fond.

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,
)

Paqueter le répertoire du modèle

Sélectionnez le répertoire lui-même dans la bibliothèque Model de LaiCai. Le répertoire doit contenir config.json et le fichier ONNX nommé par modelFile. Les identifiants de classe doivent commencer à 0 et rester contigus.

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
  }
}

• Sélectionnez le modèle dans la bibliothèque Model et validez son entrée, sortie, format de sortie et liste de classes.
• Utilisez Test Current Screen avec une classe et un seuil de départ raisonnable comme 0.5.
• Tester les cadres positifs et les cadres négatifs ou confus. Un appel à inférence réussi n'est pas le même qu'un objet détecté.
• Après validation de bureau, testez le même modèle séparément sur Android Agent si le flux s'exécute sur le téléphone.