4.6 Trainieren und Bereitstellen Ihres eigenen Vision-Modells

Einführung

YOLO26 ist die neueste Generation der YOLO-Familie und wurde für Echtzeit- und Edge-fähige Vision-KI entwickelt. Es ist darauf ausgelegt, schneller, leichter und einfacher bereitzustellen zu sein und liefert dabei weiterhin eine starke Genauigkeit für Aufgaben wie Objekterkennung, Segmentierung, Klassifikation und Posenschätzung. Im Vergleich zu früheren YOLO-Modellen legt YOLO26 einen stärkeren Fokus auf effiziente Bereitstellung und End-to-End-Inferenz, was es besonders für Edge-Geräte und praktische Anwendungen geeignet macht.

YOLO26-Leistungsdiagramme

In diesem Kapitel zeigen wir, wie Sie Ihr eigenes fortschrittliches Erkennungsmodell auf reComputer schnell trainieren und bereitstellen können, sodass Sie mit einem effizienten und modernen Workflow von den Daten zu einer funktionsfähigen, realen KI-Anwendung gelangen.

Schnellerlebnis

Schritt 1: Aufgabe klar definieren

Ein gutes Projekt beginnt mit einer klaren Fragestellung.

Beispiele:

  • Helme und Personen erkennen
  • belegte Parkplätze erkennen
  • Paletten und Gabelstapler erkennen

Zur Vereinfachung der Demonstration haben wir ein Skript bereitgestellt, das uns beim gesamten Prozess von der Datenerfassung bis zur Modellbereitstellung unterstützen kann.

🚀 Probieren Sie es einfach aus und führen Sie es selbst aus!

python
cd 4.6-Train-and-Deploy-Your-Own-Vision-Model/code
python yolo_end_to_end.py

Schritt 2: Daten erfassen

Schließen Sie eine Kamera an Ihr Gerät an, wählen Sie das zu erkennende Ziel aus und sammeln Sie geeignete Datensatzbilder.

capture_picture

Schritt 3: Daten annotieren

Bei der Erkennung bedeutet Annotation in der Regel, Bounding Boxes zu zeichnen und Klassenlabels zuzuweisen.

Verwenden Sie unser Tool und ziehen Sie die Maus, um das zu erkennende Ziel zu markieren.

mark_img

Schritt 4: Modell trainieren

Teilen Sie Ihre Datensätze auf und wählen Sie ein vortrainiertes Modell zum Trainieren.

Das Trainingsset wird verwendet, um dem Modell durch Anpassen seiner Parameter etwas beizubringen. Das Validierungsset wird während der Entwicklung verwendet, um zu prüfen, wie gut das Modell generalisiert, verschiedene Einstellungen zu vergleichen und zu entscheiden, wann das Training gestoppt werden soll. Kurz gesagt: Die Aufteilung des Datensatzes hilft uns, das Modell zuverlässig zu trainieren, zu verbessern und zu bewerten.

tarin

Das Training ist die Phase, in der das Modell aus dem Datensatz lernt und seine Vorhersagen schrittweise verbessert. Üblicherweise beginnen wir mit einem Start-Checkpoint, also einem vortrainierten Modell, statt bei null anzufangen. Das hilft dem Modell, schneller zu lernen, und führt oft zu besseren Ergebnissen.

Schritt 5: Inferenz

Wählen Sie die zuvor trainierten Modellgewichte aus und beobachten Sie deren Leistung.

infer

Hinweis: Wenn Ihr Modell besser abschneiden soll, müssen Sie Ihren Datensatz erweitern oder Datenaugmentationen durchführen.

Häufige Missverständnisse

  • "Ein hoher Metrikwert bedeutet immer, dass das Modell einsatzbereit ist."
    • Tests unter realen Bedingungen sind weiterhin notwendig.
  • "Mehr Daten bedeuten automatisch ein besseres Modell."
    • Mehr Daten helfen nur, wenn sie relevant und gut beschriftet sind.
  • "Wenn das Training abgeschlossen ist, ist die Bereitstellung einfach."
    • Die Bereitstellung bringt Geschwindigkeits-, Speicher- und Systembeschränkungen mit sich.

Übungen / Reflexion

  1. Entwerfen Sie ein Zwei-Klassen-Objekterkennungsprojekt, das von einem Anfänger durchgeführt werden könnte.
  2. Listen Sie fünf Arten von Szenenvariation auf, die Sie im Datensatz haben möchten.
  3. Erklären Sie den Unterschied zwischen Validierungsergebnissen und tatsächlicher Bereitstellungsleistung.
  4. Untersuchen Sie nach einem Trainingslauf drei Fehlerfälle und beschreiben Sie, welche Art von Daten sie möglicherweise beheben könnte.

Zusammenfassung

Das Training eines benutzerdefinierten Vision-Modells bedeutet nicht nur, einen Befehl auszuführen. Es ist ein datengesteuerter Prozess, der Aufgabendefinition, Annotation, Training, Validierung und Fehleranalyse umfasst. Im nächsten Abschnitt gehen wir vom ersten erfolgreichen Modell zum Export und zur Edge-Bereitstellung über.

Empfohlener nächster Schritt

Fahren Sie fort mit 4.7 Modellexport und Edge-Bereitstellung.

Referenzen