Tren için özel bir nesne algılama modeliLaiCai Flow

• Farklı pozisyonları, boyutları, aydınlatma, arka planları, animasyon çerçevelerini ve kısmi tıkanıklığı ekleyin.
• Zor örnekler tutun: küçük nesneler, kenar nesneleri, bulanık, popuplar ve görsel olarak hedef olmayanlar.
• Hedef sınıflarınızın hiçbiri görünmediği bazı arka görüntüler ekleyin. etiket dosyaları boş.
• Evrensel bir minimum yoktur. İlk test için, sınıf başına en az 50 farklı kutu hedefleme; zor veya benzer sınıflar genellikle 100-200 veya daha fazlasına ihtiyaç duyar.

• Her hedef sınıfın her görünür örneği etiketlenmelidir. Unutulan bir hedef arka plan olarak öğrenilir.
• Her yerde aynı kutu politikasını kullanın: görünür nesnenin etrafında sıkılayın, büyük marjlar olmadan.
• Bir etiketleme aracı değişiklikleri alanlarının değiştiğinde BakırDepleted veya bakır depleted gibi isimleri tercih edin.

1. 1

   Open MakeSense.ai ve kaynak görüntülerini yükleyin. Orijinal görüntü klasörünü tutun; ihraç edilen etiket ZIP onu değiştirmiyor.

2. 2

   Object Tespiti seçin, Image Recognition. (Object Detection)

3. 3

   Sabit bir sırayla son sınıf listesini oluşturun, sonra her hedef örneği etrafında bir dikdörtgen çizin.

4. 4

   Boş görüntüler, eksik nesneler, yanlış sınıflar ve ihracattan önce kutular.

5. 5

   Export Rect annotations as a ZIP paketi inYOLOformat.

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

Pratik bir başlangıç bölmesi %80 tren ve% 20 geçerlilik. Geçerlilik seti gerçekten görünmeyen sahneler içermelidir.

• Yeni bir annotasyon grubu için, tekrar MakeSense.ai için eski resimleri yüklemeniz gerekmez.
• Yeni görüntüler ve etiketler çevrimdışı, o zaman sınıf adı tarafından sayısal sınıf kimliklerini yeniden yükleyin, böylece orijinal sipariş değişmeden kalır.
• Tamam eski + yeni veri kümesi ile yeniden eğitim. Eğitim sadece yeni görüntülerde eski sınıflar arka plan gibi davranabilir.

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

Önerilen başlangıç parametreleri

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,
)

• Hassasiyet: kaç tane bildirilen algılama doğru.
• Recall: kaç gerçek nesne bulundu.
• mAP50 ve mAP50-95: Eşler arasındaki genel yerelleştirme ve sınıflandırma kalitesi.
• Confüzyon matrisi: hangi sınıflar birbirleri veya arka plan için yanılır.

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,
)

Model directory

LaiCai'nin Model kütüphanesinde kendisini seçin. Kılavuz, modelFile tarafından adlandırılan imar.json ve ONNX dosyası içermelidir. Sınıf kimlikleri 0'da başlamalı ve tutarlı kalmalıdır. (config.json)

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
  }
}

• Model kütüphanesindeki modeli seçin ve girişini, çıktıyı, çıktı formatını ve sınıf listesini doğrulayın.
• Test Current Ekranını bir sınıfla kullanın ve 0,5 gibi makul bir başlangıç eşi.
• Hem olumlu çerçeveler hem de negatif veya kafa karıştırıcı çerçeveler test edin. Başarılı bir çıkarım çağrısı, tespit edilen bir nesne olarak aynı değildir.
• masaüstü doğrulamadan sonra, aynı modeli otomatik olarak Android Agent'da test edin, Akış telefonla çalıştırılırsa.