Keretakan model deteksi objek tersendiri untukLaiCai Flow

• Termasuk posisi, ukuran, pencahayaan, latar belakang, bingkai animasi, dan oklusi parsial.
• Contoh-contoh sulit: objek kecil, objek tepi, kabur, popup, dan visualnya mirip non-target.
• Tambahkan beberapa gambar latar belakang di mana tidak ada kelas target Anda muncul. Berkas label mereka kosong.
• Tidak ada minimum universal. Untuk tes pertama, bidik setidaknya 50 kotak per kelas yang bervariasi; kelas yang sulit atau serupa biasanya membutuhkan 100–200 atau lebih.

• Setiap kejadian yang terlihat dari setiap kelas target harus diberi label. Salah satu sasaran yang tidak diberi label dipelajari sebagai latar belakang.
• Guna kebijakan kotak yang sama di mana-mana: ketat di sekitar objek tampak, tanpa margin besar.
• Lebih suka nama seperti CopperDepleted atau copper depleted ketika sebuah alat label mengubah ruang.

1. 1

   OpenMakeSense.ai dan upload gambar sumber. Simpan folder gambar asli Anda; ZIP label yang diekspor tidak menggantikannya.

2. 2

   Pilih Pengesan Objek, bukan Pengenal Gambar. (Object Detection · Image Recognition)

3. 3

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

4. 4

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

5. 5

   Anotasi Rekt Ekspor lentik sebagai paket ZIP dalamYOLOformat . (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

Pembagian awal yang praktis adalah 80% kereta dan 20% validasi. Pengaturan validasi harus berisi adegan yang tidak terlihat.

• Untuk kumpulan anotasi baru, Anda tidak perlu mengunggah gambar lama ke MakeSense.ai lagi.
• Cantumkan gambar dan label baru secara luring, kemudian memetakan ulang ID kelas numerik dengan nama kelas sehingga urutan asli tetap tidak berubah.
• Kekangan dengan lengkap lama + baru dataset. Pelatihan 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 permulaan 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,
)

• Kepersisan: berapa banyak deteksi yang dilaporkan benar.
• Ingatlah: berapa banyak benda nyata ditemukan.
• map50 dan mAP50-95: lokalisasi secara keseluruhan dan kualitas klasifikasi melintasi ambang batas.
• Kebingungan matriks: kelas mana yang keliru untuk satu sama lain atau untuk 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 di perpustakaan LaiCai's Model. Direktori harus berisi config.json dan berkas ONNX bernama modelFile. Kelas ID harus mulai dari 0 dan tetap berdampingan.

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 Model perpustakaan dan konfirmasi masukan, output, format output, dan daftar kelasnya.
• Use Test Current Screen dengan kelas dan ambang awal yang masuk akal seperti 0.5.
• Ajarlah kedua bingkai positif dan bingkai negatif atau membingungkan. Panggilan inferensi yang berhasil tidak sama dengan objek yang terdeteksi.
• Setelah validasi desktop, uji model yang sama secara terpisah pada Android Agent jika Flow akan berjalan di telepon.