跳轉到

12. Auto Labeling

Edizione Pro ufficialmente archiviata

L’Edizione Pro è ufficialmente archiviata e non riceverà ulteriori aggiornamenti come prodotto separato.

Procedura attuale di annotazione automatica

Nella nuova Edizione Standard apri Annotazione immagini → Annotazione automatica, installa il componente di inferenza richiesto e seleziona il modello. Non occorrono né l’Edizione Pro né Trainer.

Guida all’annotazione e all’annotazione automatica · Ottieni i componenti di inferenza

I componenti di inferenza eseguono modelli già addestrati e non includono un ambiente di training. Le istruzioni Pro e le vecchie interfacce seguenti sono conservate solo come documentazione storica.

Funzionalità Pro storiche (archiviate)

1. Funzionalità Principali

  • Supporto multi-architettura: supporta completamente la horizontal object detection standard e la OBB rotated box detection.
  • Supporto full-series: l'algoritmo di addestramento è profondamente adattato alla serie YOLO26 (n, s, m, l, x).
  • Importazione zero-configurazione: analizza direttamente la directory del dataset grezzo, senza necessità di packaging aggiuntivo.

2. Passi del Training del Modello

Passo 1: Configurazione dei Percorsi

  1. Directory del dataset: clicca sul pulsante [...] e puntalo alla cartella contenente le immagini e le loro corrispondenti label JSON.
  2. Directory del repository del modello: scegli il percorso in cui verranno memorizzati i risultati del training (pesi, log, grafici).

Passo 2: Regolazione dei Parametri

  • Imposta gli epochs e la batch size nel pannello Basic Parameters.
  • [Importante]: si consiglia di mantenere l'image size (W x H) al valore predefinito 640 * 640. Se hai bisogno di modificarla, il valore deve essere un multiplo di 32.
  • Apporta modifiche in base al tuo hardware nel pannello Advanced Parameters.

Passo 3: Avvio e Monitoraggio

  • Clicca su [Start Training] e osserva i log in tempo reale e la barra di avanzamento nella console integrata.

terminal.png

Box Loss

loss.png

Più basso è il valore della loss, meglio è; in generale scende intorno a 0.5.



3. Parametri di Training di Base

Parametro Codice Descrizione
Epochs Epochs Determina quanti passaggi completi il modello esegue sui dati. Più grande è il valore, più lungo sarà il training.
Batch size Batch Il numero di immagini fornite al modello contemporaneamente. Abbassalo se la memoria GPU è limitata. -1 significa automatico.
Workers Workers Il numero di processi di caricamento dati. Su Windows, si consiglia 0 ~ 4 per evitare errori.
Image size W x H 640 * 640 per impostazione predefinita. La dimensione a cui le immagini di input vengono scalate; deve essere un multiplo di 32.
Confidence threshold Conf La soglia di confidenza per l'auto labeling; i box al di sotto di questo valore vengono filtrati.

640.png


4. Parametri Avanzati

Raccomandazione sulla Configurazione

Se non hai familiarità con i seguenti parametri di deep learning, mantieni semplicemente le impostazioni predefinite. Il sistema viene già fornito con valori predefiniti ottimali adattati agli scenari industriali.

Parametro Codice Descrizione
Device Device Auto rileva automaticamente, 0 è la prima GPU, cpu forza l'uso della CPU.
Resume Resume Quando selezionato, l'ultimo last.pt interrotto viene localizzato automaticamente e il training riprende da esso.
Cache Cache Memorizza i dati nella cache in memoria o su disco per velocizzare il training. Si consiglia di disattivarlo quando la memoria è limitata.
Mosaic Mosaic Abilita la probabilità di augmentation mosaic multi-immagine (0.0 ~ 1.0). Migliora la percezione di piccoli oggetti.
Close Mosaic Close Mosaic Disattiva l'augmentation Mosaic per gli ultimi N epochs, impedendo al modello di oscillare verso la fine del training.
Initial learning rate lr0 Il learning rate iniziale, generalmente il valore predefinito 0.01; controlla la dimensione del passo degli aggiornamenti dei parametri.
AMP AMP Consigliato di abilitare. Risparmia memoria GPU e velocizza il training, con essenzialmente nessun impatto sull'accuratezza.
Period Period La frequenza con cui i pesi vengono salvati o la validazione viene eseguita, in epochs. -1 significa automatico.
Patience Patience Interrompe il training quando la metrica di validazione non mostra miglioramenti per N epochs consecutivi. 0 lo disabilita.
Optimizer Optimizer auto seleziona automaticamente; è anche possibile specificare manualmente SGD, AdamW, ecc.
Dropout Dropout Il rapporto di regolarizzazione (0.0 ~ 1.0), utilizzato per prevenire l'overfitting del modello.
Weight decay Weight Decay Il coefficiente di regolarizzazione L2, che impedisce a pesi del modello eccessivamente grandi di degradare la generalizzazione.
Mixup Mixup La probabilità di fondere due immagini e le loro label (0.0 ~ 1.0). Aumenta la diversità dei campioni.
Copy-Paste Copy-Paste Copia e incolla casualmente oggetti su altre immagini, migliorando il recall del modello.
Freeze Freeze Congela i pesi dei primi N layer del modello. Adatto per il fine-tuning di un modello pretrained.
Visualization tool TB Quando abilitato, log dettagliati (loss, metriche) vengono registrati con TensorBoard.

TensorBoard

tensor.png

Dopo aver selezionato "relaod data", TensorBoard aggiorna automaticamente i dati, ogni 30 secondi per impostazione predefinita.


5. Flusso di Lavoro dell'Auto Labeling

  1. Carica il modello: seleziona il miglior file di pesi che è stato generato (best.pt).
  2. Imposta la soglia: regola Conf; si consiglia un valore tra 0.3 ~ 0.5 a seconda della scena.
  3. Esegui il labeling: il sistema scansiona automaticamente la directory delle immagini e genera le corrispondenti label JSON.
  4. Verifica e conferma: utilizza il modulo "Image Annotation" per eseguire una rapida revisione manuale.

6. Risultati Finali

Risultati Finali

result.png

Al termine del training, i grafici di valutazione finali sopra sono forniti come riferimento.


Note sull'Ambiente

  1. Non chiudere la console del software durante il training, altrimenti il processo verrà interrotto forzatamente.
  2. Se utilizzi la modalità OBB rotated box, assicurati che il formato JSON del dataset sia definito correttamente (Length1/Length2 sono la semi-larghezza e la semi-altezza).