Create ML · Detectie
Train een objectdetector met gecontroleerde kaders en klassen.
Voordat u begint
Kies een complete gepubliceerde 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 training nog steeds.
Snel aan de slag
- Kies dataset, modelnaam en versie. Kies Volledig netwerk of Transferleren.
- Stel automatische of handmatige iteraties en de batchgrootte in. Kies een uitvoerbestemming en vervolgens Trainen.
- Bekijk de voortgang en het opgeslagen model. Evalueer het voordat u Model registreren gebruikt.
Functies en keuzes
Algoritme
Volledig netwerk traint het hele YOLOv2-netwerk. Transferleren hergebruikt Apple Object Print-kenmerken en traint minder parameters.
Budget schatten
Automatische iteraties schat een startbudget, niet de modelkwaliteit.
Vorig model
Vorig model legt de herkomst vast; het hervat geen checkpoint.
Stoppen
Stoppen onderbreekt een actieve run; de voltooiingsmelding is optioneel.
Modeljournaal
Modeljournaal opent de geregistreerde kandidaat en zijn herkomst.
Model gebruiken
Registratie onthoudt modeltoegang maar koppelt het niet als projectmodel; Model gebruiken verschijnt naast Modeljournaal totdat het getrainde model aan het project is gekoppeld. Dit opent Model direct met een kopie geselecteerd voor inspectie en bevestiging.
Resultaat
Een opgeslagen Core ML-detector en een runbewijs.
Volgende stap
Evalueer op Val/Test en registreer waar passend een kandidaat.