此页面由 AI 自动翻译。查看英文原版
最后更新

本页目录

  • 概述
  • 1. 收集样本
  • 2. 标注和审查
  • 3. 检查健康状况并冻结输入
  • 4. 在项目中训练
  • 5. 评估和比较
  • 6. 推广和部署
  • 7. 将观察结果反馈到数据中

Hub AI 工作流程

最后更新

概述

Hub AI 将模型开发转化为一个可重复的循环:收集代表性数据,对其进行标注和验证,训练和评估模型,部署最佳版本,然后利用生产观察结果改进下一个版本。

1. 收集样本

从代表模型运行条件的图像开始。上传现有的标注存档、图像集合或添加单个 快照。在导入之前定义数据集任务、任务名称和类别,以便 Hub 可以正确映射标注。对每个摄取路径及其解析器要求使用 创建、上传和导出。

2. 标注和审查

手动标注样本,使用 智能标注 加速兼容任务,或使用早期 Hub 训练运行的检查点 预标注批次。机器生成的标签将显示为 预标注,应进行审查。标注状态可以表达团队的审查过程。将已批准的样本移至 已完成,因为已完成的样本决定了数据集健康和运行验证所使用的分割大小。请参阅 标注。

3. 检查健康状况并冻结输入

审查数据集大小、分割分布和类别分布。使用训练数据更新权重,使用验证数据选择最佳检查点,并使用保留的测试数据进行最终比较。健康状况是一个建议信号:在部署问题的背景下调查警告,而不是将标签视为保证。为了实现可重现的实验,在训练运行中启用 版本数据集。只读快照记录了运行的数据状态,并且可以选择只包含与选定标签匹配的样本。当源和标签过滤器未更改时,Hub 会重用最新版本。请参阅 健康状况、分割和版本。

4. 在项目中训练

从数据集中创建项目,以便任务名称、类型和类别匹配。添加链接模型并选择兼容的 LuxonisTrain 架构。训练运行将该模型与数据集输入、检查点策略和计算速度相结合。保守估计值保留在 积分 中,而 作业 协调版本控制、导出、训练和模型注册。遵循 训练和评估运行 来创建和控制实验。

5. 评估和比较

每次成功的训练运行都会发布一个新的链接模型版本,其中包含两个工件:
  • 用于推理和转换的 ONNX NN 存档;
  • 用于评估、恢复训练和预标注的 PyTorch 检查点。
使用运行的主要指标来比较由等效数据集版本进行的实验。然后检查验证和测试指标、损失和指标曲线、每个类别的结果以及推理图像,然后选择候选模型。训练和评估运行 解释了信号和常见的曲线模式。

6. 推广和部署

添加模型版本标签,例如 candidate 或 production,以表明哪个模型最适合您的应用程序。标签可以移动到更新的版本,而版本历史和训练运行链接保留了实验记录。从训练运行中打开 部署,或从 模型注册表 转换 ONNX 存档。选择正确的目标平台,然后从 DepthAI 管道或 OAK App 中引用生成的 RVC 模型实例。对于生产工作负载,当应用程序必须固定到特定的编译工件时,首选不可变模型实例标识符。

7. 将观察结果反馈到数据中

模型部署后,将困难场景、漏检和具有代表性的新环境捕获为快照。将它们添加到数据集中,对其进行标注或预标注,并使用标签组织下一个队列。创建另一个数据集版本,运行可比较的实验,并且只有当评估显示对部署有意义的改进时才推广新模型。数据集版本、训练运行、模型版本和模型标签之间的链接为该决策提供了审计跟踪。