กําหนดโมเดลสําหรับการตรวจสอบวัตถุเองLaiCai Flow

• รวม ถึง ตําแหน่ง ต่าง ๆ, ขนาด, แสง, ภูมิ หลัง, โครง สร้าง การเคลื่อนไหว, และ การ อุด ตัน บาง ส่วน.
• เก็บตัวอย่างยาก ๆ ไว้: วัตถุเล็ก ๆ วัตถุขอบ เบลอ ป็อปปี้ และภาพคล้าย ๆ กัน
• เพิ่มภาพเบื้องหลังที่ยังไม่มีคลาสเป้าหมายของคุณ แฟ้มฉลากของพวกเขาว่างเปล่า
• ไม่ มี ขีด จํากัด ของ เอกภพ. สําหรับ การ ทดสอบ ครั้ง แรก เป้า หมาย สําหรับ กล่อง ที่ มี ความ หลาก หลาย อย่าง น้อย 50 กล่อง ต่อ ชั้น; ยาก หรือ คล้าย ๆ กัน นั้น มัก จะ ต้อง ใช้ 1001-2200 กล่อง หรือ มาก กว่า นั้น.

• ทุกตัวอย่างที่มองเห็นได้ ของทุกรุ่นเป้าหมาย จะต้องมีชื่อ เป้า หมาย ที่ ไม่ มี การ ติด ป้าย ไว้ จะ เรียน รู้ ได้ ว่า เป็น ฉาก หลัง.
• ใช้ นโยบาย เดียว กัน นี้ ทุก หน ทุก แห่ง: ติด อยู่ กับ วัตถุ ที่ มอง เห็น ได้ โดย ไม่ มี ช่อง กว้าง.
• ชื่อ สมมุติ เช่น คอปเปอร์ เดเลต์ หรือ ทองแดง ที่ เ สี เมื่อ หมาย เลข ช่อง ที่ เครื่องมือ เปลี่ยน.

1. 1

   เปิด Makesens.ai และอัปโหลดภาพต้นฉบับ เก็บโฟลเดอร์เดิมของคุณ; ป้ายที่ส่งออก ZIP ไม่ได้แทนที่ (MakeSense.ai)

2. 2

   เลือกการตรวจจับวัตถุ ไม่ใช่การปรับค่าภาพ (Object Detection · Image Recognition)

3. 3

   สร้างรายการคลาสสุดท้ายตามลําดับคงที่ แล้ววาดสี่เหลี่ยมรอบเป้าหมายทุก

4. 4

   ทบทวนภาพว่าง ๆ, วัตถุที่พลาดไป, คลาสผิด และกล่องหลวมก่อนส่งออก

5. 5

   ส่งออกหมายเหตุประกอบเป็นแพกเกจ ZIP ในYOLOรูปแบบ (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

การแยกทางกันจริง ๆ คือรถไฟ 80% และตรวจความถูกต้อง 20% ชุด ที่ ใช้ การ ได้ ต้อง มี ฉาก เหตุ การณ์ ที่ มอง ไม่ เห็น จริง ๆ.

• สําหรับชุดหมายเหตุประกอบใหม่ คุณไม่จําเป็นต้องอัปโหลดภาพเก่า ๆ ไปใช้เพื่อสร้างหมายเหตุ. ai อีก (MakeSense.ai)
• รวมภาพใหม่และป้ายสีใหม่เข้าที่ออฟไลน์ จากนั้นเปลี่ยนหมายเลขชั้นเป็นเลขประจําตัวใหม่โดยใช้ชื่อคลาส ดังนั้นลําดับเดิมจึงยังคงเปลี่ยนแปลงไม่ได้
• คํานวณข้อมูลใหม่ทั้งหมด การ ฝึก อบรม เฉพาะ ใน ภาพ ใหม่ เท่า นั้น ที่ สามารถ ทํา ให้ ชั้น เรียน เก่า ๆ ประพฤติ เหมือน ฉาก หลัง.

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

แนะนําพารามิเตอร์เริ่มต้น

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,
)

• การประเมินผล: การตรวจสอบในรายงานถูกต้อง
• ขอ ให้ จํา ไว้ ว่า มี การ พบ วัตถุ จริง ๆ กี่ ชิ้น.
• MAP50 และ MAP50-95: การจําแนกท้องถิ่นและการจําแนกประเภททั้งหมดข้ามขีดจํากัด
• ความขัดแย้งของเมทริกซ์: คลาสไหนผิดกันหรือสําหรับพื้นหลัง

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,
)

แพกเกจไดเร็กทอรีโมเดล

เลือกไดเรกทอรีเองในไลบรารีโมเดลของ LaiCai ไดเร็กทอรีต้องบรรจุแฟ้มปรับแต่ง. json และ ONNX ที่มีชื่อตามแฟ้มต้นแบบ IDs คลาสจะต้องเริ่มต้นที่ 0 และยังคงต่อเนื่อง (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
  }
}

• เลือกรุ่นในไลบรารีต้นแบบ และยืนยันการนําเข้า, การแสดงผล, รูปแบบการแสดงผล และรายการคลาส
• ใช้หน้าจอปัจจุบันทดสอบกับคลาสและการเริ่มที่สมเหตุสมผลเช่น 0.5
• ทดสอบทั้งเฟรมบวกและด้านลบ หรือกรอบสับสน การเรียกแบบอนุมานที่ประสบความสําเร็จ ไม่เหมือนกับวัตถุที่ถูกตรวจจับได้
• หลังจากการตรวจสอบความถูกต้องของพื้นที่ทํางานแล้ว ให้ทดสอบรุ่นเดียวกันกับแอนดรอยด์หากตัวฟลอว์ทํางานบนโทรศัพท์ (Android Agent)