사용자 정의 객체 감지 모델을 훈련합니다.LaiCai Flow

• 다른 위치, 크기, 조명, 배경, 애니메이션 프레임, 부분 가려짐을 포함하세요.
• 어려운 예제를 계속 유지하세요: 작은 물체, 모서리 물체, 흐림, 팝업 및 시각적으로 유사한 타겟이 아닌 물체.
• 대상 클래스가 나타나지 않는 배경 이미지를 추가합니다. 해당 레이블 파일은 비어 있습니다.
• 범용적인 최소값은 없습니다. 첫 번째 테스트를 위해, 각 수업당 최소 50개의 다양한 상자를 목표로 하세요; 어려운 수업이나 비슷한 수업은 보통 100~200개 이상이 필요합니다.

• 모든 대상 클래스의 모든 가시적인 인스턴스는 라벨이 지정되어야 합니다. 라벨이 지정되지 않은 대상은 배경으로 학습됩니다.
• 모든 곳에서 동일한 상자 정책을 사용하세요: 눈에 보이는 물체 주위에 꽉 끼우되 큰 마진을 두지 마세요.
• 라벨링 도구가 공백을 변경할 때 CopperDepleted 또는 copper_depleted과 같은 이름을 선호합니다.

1. 1

   MakeSense.ai를 열고 소스 이미지를 업로드하세요. 원본 이미지 폴더를 그대로 두세요. 내보낸 레이블 ZIP 파일은 이를 대체하지 않습니다.

2. 2

   이미지 인식 대신 객체 검출을 선택하세요. (Object Detection · Image Recognition)

3. 3

   고정된 순서로 최종 클래스 목록을 생성한 다음 각 대상 인스턴스 주위에 직사각형을 그립니다.

4. 4

   내보내기 전에 빈 이미지, 놓친 물체, 잘못된 클래스, 그리고 느슨한 상자를 검토하세요.

5. 5

   Rect 주석을 ZIP 패키지로 내보내기YOLO형식. (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

실용적인 시작 분할은 80% 훈련과 20% 검증입니다. 검증 세트는 진정으로 본 적이 없는 장면을 포함해야 합니다.

• 새로운 주석 배치에 대해서는, 오래된 이미지를 MakeSense.ai에 다시 업로드할 필요가 없습니다.
• 새 이미지와 레이블을 오프라인으로 병합한 다음, 원래 순서가 변경되지 않도록 클래스 이름으로 숫자 클래스 ID를 다시 매핑합니다.
• 전체적인 기존 + 새로운 데이터셋으로 재훈련하세요. 새로운 이미지에만 훈련하면 기존 클래스가 배경처럼 동작할 수 있습니다.

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

추천되는 시작 매개변수

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,
)

• 정밀도: 보고된 검출 중 몇 개가 정확한지.
• 기억하기: 몇 개의 실제 물체가 발견되었는지.
• mAP50과 mAP50-95: 임계값 전반에 걸쳐 전반적인 로컬라이제이션 및 분류 품질.
• 혼란 매트릭스: 어떤 클래스가 서로 또는 배경과 혼동되는지.

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,
)

모델 디렉토리를 패키지화하다

LaiCai의 모델 라이브러리에서 디렉토리를 직접 선택합니다. 디렉토리에 config.json과 modelFile로 이름이 지정된 ONNX 파일이 있어야 합니다. 클래스 ID는 0부터 시작해야 하며 연속되어야 합니다.

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
  }
}

• 모델 라이브러리에서 모델을 선택하고 입력, 출력, 출력 형식 및 클래스 목록을 확인합니다.
• 클래스와 0.5와 같은 합리적인 시작 임계값을 사용하여 테스트 현재 화면을 사용합니다.
• 양성 프레임과 부정 또는 혼란스러운 프레임 모두를 테스트합니다. 성공적인 추론 호출은 감지된 객체와 동일하지 않습니다.
• 데스크탑 검증 후, Flow가 휴대폰에서 실행될 경우 동일한 모델을 Android Agent에서 별도로 테스트합니다.