Latih suatu model deteksi objek gubahan untukLaiCai Flow

• Termasuk posisi yang berbeda, ukuran, pencahayaan, latar belakang, bingkai animasi, dan campuran parsial.
• Contoh yang sulit: obyek kecil, obyek ujung, blur, popup, dan target tidak sama secara visual.
• Tambahkan beberapa gambar latar belakang di mana tidak ada kelas target Anda muncul. Berkas label mereka kosong.
• Tidak ada minimum universal. Untuk tes pertama, bertujuan untuk setidaknya 50 kotak bervariasi per kelas; sulit atau kelas serupa biasanya perlu 100- 200 atau lebih.

• Setiap instansi terlihat dari setiap kelas target harus diberi label. Sebuah target yang tidak berlabel dipelajari sebagai latar belakang.
• Gunakan kebijakan kotak yang sama di mana-mana: ketat di sekitar objek yang terlihat, tanpa margin besar.
• Lebih suka nama seperti CopperDepleted atau tembaga _ habis ketika sebuah alat label mengubah ruang.

1. 1

   Buka MakeSense.ai dan unggah gambar sumber. Simpan folder gambar asli Anda; label terekspor ZIP tidak menggantikannya.

2. 2

   Pilih Deteksi Objek, bukan Pengakuan Gambar. (Object Detection · Image Recognition)

3. 3

   Buat daftar kelas akhir dalam urutan tetap, lalu gambar persegi panjang di setiap target.

4. 4

   Tinjau gambar kosong, objek yang hilang, kelas yang salah, dan kehilangan kotak sebelum ekspor.

5. 5

   Ekspor coretan dalam paket ZIPYOLOformat. (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

Pemisahan awal praktis adalah 80% kereta api dan 20% validasi. validasi yang ditetapkan harus berisi adegan benar-benar tak terlihat.

• Untuk batch anotasi baru, Anda tidak perlu meng-upload gambar lama untuk MakeSense.ai lagi.
• Merge gambar dan label baru offline, kemudian remap numerik kelas ID dengan nama kelas sehingga urutan asli tetap tidak berubah.
• Berlatih ulang dengan lengkap lama + data baru. Latihan hanya pada gambar baru dapat membuat kelas lama berperilaku seperti latar belakang.

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

Parameter awal yang disarankan

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,
)

• Presisi: berapa banyak laporan deteksi yang benar.
• Ingat: berapa banyak objek nyata ditemukan.
• mAP50 dan mAP50- 95: seluruh lokalisasi dan kualitas klasifikasi di seluruh ambang batas.
• Matriks fusi: kelas mana yang salah satu atau latar belakang.

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,
)

Paket direktori model

Pilih direktori itu sendiri dalam pustaka Model LaiCai. Direktori harus berisi konfigurasi. json dan berkas ONNX yang dinamai oleh model File. ID kelas harus dimulai dari 0 dan tetap sama. (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
  }
}

• Pilih model dalam pustaka Model dan konfirmasi masukan, keluaran, format keluaran, dan daftar kelas.
• Gunakan Tes Layar Saat Ini dengan kelas dan ambang batas awal yang wajar seperti 0.5.
• Uji baik frame positif dan negatif atau membingungkan frame. Panggilan inferensi sukses tidak sama dengan objek terdeteksi.
• Setelah validasi desktop, uji model yang sama secara terpisah pada Android Agen jika Flow akan berjalan di telepon. (Android Agent)