Documentación

El manual y los textos de las guías de tu aplicación BadBob.

Contenido

Entrenamiento · Inicio rápido

Entrene a partir de un conjunto de datos publicado y evalúe el resultado guardado.

Antes de empezar

Una versión publicada con Train y Val, imágenes y anotaciones disponibles, un entorno de entrenamiento listo y un destino de salida.

Inicio rápido

  1. Abra Entrenamiento e historial de ejecuciones y elija la versión del conjunto de datos.
  2. Compruebe la preparación. Los conjuntos de recuadros utilizan Create ML; los de contornos ofrecen preparación de máscaras y Segmentation.
  3. Defina la identidad del modelo/ejecución, el presupuesto de entrenamiento y el destino. Deje Aumento de datos desactivado, salvo que las variaciones sean adecuadas para su tarea.
  4. Inicie la ejecución y supervise el progreso. Evalúe imágenes reservadas antes de registrar o utilizar un resultado.

Funciones y opciones

  • Explorar la guía

    Use las pestañas numeradas y los botones de tema. Vista general muestra la introducción; Manual abre la ayuda.

  • Elegir un espacio de trabajo

    El menú de secciones abre Guía, Entrenamiento e historial de ejecuciones, Vista general, Evaluación y Comparación.

  • Diario de modelos

    Diario de modelos está disponible en la cabecera de todas las páginas de Entrenamiento y abre los registros de modelos del proyecto actual.

  • Seguir la demostración

    El capítulo 08, Tutoriales, agrupa las dos películas de entrenamiento sin conexión con controles de reproducción, búsqueda de posición y subtítulos en inglés. La primera película trata el entrenamiento inicial; la segunda añade datos nuevos revisados, una versión nueva del conjunto de datos, aumento de datos y comparación de modelos.

  • Comprobar los requisitos

    Entrenar está desactivado mientras falten datos, preparación, configuración o entorno necesarios.

  • Seguir el progreso

    Durante el aumento de datos, el contador muestra cuántas imágenes Train se han preparado. El tiempo total transcurrido incluye preparación, aumento de datos, entrenamiento, evaluación y verificación del modelo.

  • Evaluar la calidad del modelo

    Una menor pérdida de entrenamiento por sí sola no demuestra la calidad del modelo.

Resultado

Una ejecución de entrenamiento guardada con sus ajustes y evidencias de resultados.

Siguiente paso

Elija Val/Test antes de evaluar y después compare modelos con las mismas imágenes de referencia.

Toda la documentación