Hub AI 工作流程
最后更新
概述
该循环是迭代的,而非严格线性的。当有证据表明模型需要不同的示例或标签时,您可以返回到数据收集、标注、训练或评估阶段。
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
- 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。
6. 推广和部署
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。