4.6 训练并部署你自己的视觉模型
简介
YOLO26 是 YOLO 家族的最新一代,专为实时、面向边缘的视觉 AI 而设计。它更快、更轻量、更易于部署,同时在目标检测、分割、分类和姿态估计等任务上仍能保持强大的精度。与早期的 YOLO 模型相比,YOLO26 更注重高效部署和端到端推理,这使其特别适合边缘设备和实际应用。
在本章中,我们将介绍如何在 reComputer 上快速训练并部署你自己的高级检测模型,让你能够通过高效、现代的工作流,从数据出发,构建出可在真实场景中运行的 AI 应用。
快速体验
第 1 步:明确定义任务
一个出色的项目始于一个明确的问题。
例如:
- 检测安全帽和人员
- 检测被占用的停车位
- 检测托盘和叉车
为了便于演示,我们提供了一个脚本,可以帮助我们完成从数据采集到模型部署的整个流程。
🚀 大胆尝试,亲自运行一下吧!
python
cd 4.6-Train-and-Deploy-Your-Own-Vision-Model/code
python yolo_end_to_end.py第 2 步:采集数据
将摄像头连接到你的设备,选择想要检测的目标,采集合适的数据集图像。
第 3 步:标注数据
对于检测任务,标注通常意味着绘制边界框并指定类别标签。
使用我们的工具,拖动鼠标来标记你想要检测的目标。
第 4 步:训练模型
划分你的数据集,并选择一个预训练模型进行训练。
训练集用于通过调整参数来教模型学习。验证集则在开发过程中使用,用来检查模型的泛化能力、比较不同的设置,并决定何时停止训练。简而言之,数据集划分能帮助我们以可信的方式训练、改进并评估模型。
训练阶段是模型从数据集中学习并逐步改进预测的过程。通常,我们会从一个起始检查点开始,即使用预训练模型,而不是从零开始。这能让模型学得更快,并且通常能取得更好的结果。
第 5 步:推理
选择此前训练好的模型权重,观察它的表现。
注意:如果你希望模型表现更好,需要扩充数据集或进行数据增强操作。
常见误解
- "指标高就意味着模型已经准备好了。"
- 真实场景下的测试仍然必不可少。
- "数据越多,模型自然就越好。"
- 只有相关且标注良好的数据才有用。
- "训练完成,部署就很容易。"
- 部署会引入速度、内存和系统层面的约束。
练习 / 思考
- 设计一个适合初学者完成的两类目标检测项目。
- 列出你希望数据集中包含的五种场景变化。
- 解释验证结果与真实部署性能之间的差异。
- 跑完一次训练后,查看三个失败案例,并描述什么样的数据可能可以解决这些问题。
总结
训练一个自定义视觉模型不仅仅是运行一条命令。它是一个数据驱动的过程,包括任务定义、标注、训练、验证和错误分析。在下一节,我们将从第一个成功的模型出发,迈向模型导出与边缘部署。
建议的下一步
继续阅读 4.7 模型导出与边缘部署。