Create ML · Detectie
Train een objectdetector met gecontroleerde kaders en klassen.
Voor u begint
Kies een volledige gepubliceerhet kaderdataset met Train en Val. Opgeslagen afbeeldingen met een lege annotatielijst zijn achtergrondvoorbeelden en blijven in hun toegewezen split. Train moet ook geannoteerde objecten bevatten; ontbrekende revisies, ongeldige kaders en overlap tussen splits blokkeren de training nog steeds.
Snel aan de slag
- Kies de dataset, modelnaam en versie. Kies Volledig netwerk of Overdrachtsleren.
- Stel automatische of handmatige iteraties en batchgrootte in. Kies een uitvoerbestemming en daarna Trainen.
- Bekijk de voortgang en het opgeslagen model. Evalueer het voor Model registreren.
Functies en keuzes
Algoritme
Volledig netwerk traint het hele YOLOv2-netwerk. Overdrachtsleren hergebruikt Apple Object Print-kenmerken en traint minder parameters.
Budget schatten
Automatische iteraties schat een startbudget, geen modelkwaliteit.
Vorig model
Vorig model legt afstamming vast; het hervat geen controlepunt.
Stoppen
Stoppen onderbreekt een actieve run; de voltooiingsmelding is optioneel.
Modeljournaal
Modelregister opent de geregistreerde kandidaat en zijn herkomstgegevens.
Model gebruiken
Registratie onthoudt modeltoegang maar koppelt het niet als projectmodel; Model gebruiken verschijnt naast Modelregister totdat het getrainde model aan het project gekoppeld is. Het opent Model rechtstreeks met een kopie geselecteerd voor inspectie en bevestiging.
Resultaat
Een opgeslagen Core ML-detector en runbewijs.
Volgende stap
Evalueer op Val/Test en registreer een kandidaat wanneer dat aangewezen is.