跳轉到

十二、 自動標註

Pro 版已正式歸檔

Pro 版已正式歸檔,不再作為獨立產品繼續更新。

目前的自動標註方案

在新版標準版中開啟 影像標註 → 模型自動標註,安裝所需推理元件後選擇模型即可使用,無需安裝 Pro 版或 Trainer。

查看標圖與自動標註說明 · 取得推理元件

推理元件用於載入既有模型進行辨識,不包含模型訓練環境。以下 Pro 版訓練與舊介面說明僅作歷史記錄。

Pro 歷史功能說明(歸檔)

1. 核心特性

  • 多架構適配:全面支援標準 水平物件偵測 與 OBB 旋轉框偵測。
  • 全系列支援:訓練演算法深度適配 YOLO26 系列(n, s, m, l, x)。
  • 零配置匯入:直接解析原始資料集目錄,無需額外打包。

2. 模型訓練操作步驟

第一步:路徑配置

  1. 資料集目錄:點選 [...] 按鈕,指向包含影像與對應 JSON 標籤的資料夾。
  2. 模型倉庫目錄:選擇訓練結果(權重、日誌、圖表)的存放路徑。

第二步:引數調整

  • 在 基礎引數 面板設定輪數與批次。
  • [重要提示]:影象尺寸 (W x H) 預設推薦使用 640 * 640。若需調整,數值必須是 32 的倍數。
  • 在 高階引數 面板根據硬體情況微調。

第三步:啟動與監控

  • 點選 [開始訓練],透過內建控制檯檢視實時日誌與進度條。

terminal.png

Box Loss

loss.png

Loss值越低越好,一般情況下會降低到0.5左右。



3. 基礎訓練引數 (Basic)

引數名稱 對應程式碼 功能說明
訓練輪數 Epochs 決定模型學習資料的完整次數。數值越大訓練越久。
批次大小 Batch 每次餵給模型的影像數。視訊記憶體小請調低。-1 為自動。
工作執行緒 Workers 資料載入程序數。Windows 建議設為 0 ~ 4 以防報錯。
影象尺寸 W x H 預設 640 * 640。輸入影像縮放大小,必須是 32 的倍數。
標註閾值 Conf 自動標註的置信度門檻,低於此值的框將被過濾。

640.png


4. 高階進階引數 (Advanced)

配置建議

若您對以下深度學習引數不熟悉,請保持預設設定即可。系統已針對工業場景內建了最優預設值。

引數名稱 對應程式碼 功能說明
裝置選擇 Device Auto 自動偵測,0 為第一張 GPU,cpu 為強制使用 CPU。
斷點續訓 Resume 勾選後自動尋找上次中斷的 last.pt 繼續訓練。
快取記憶體 Cache 將資料快取到記憶體或硬碟以加速訓練。記憶體小時建議關閉。
馬賽克增強 Mosaic 開啟多圖拼接增強機率 (0.0 ~ 1.0)。提升小目標感知。
關閉Mosaic輪數 Close Mosaic 在最後 N 輪關閉 Mosaic 增強,防止模型後期震盪。
初始學習率 lr0 初始學習率,一般預設 0.01,控制引數更新步長。
混合精度 AMP 推薦開啟。節省視訊記憶體並提速,且基本不影響精度。
驗證頻率 Period 每隔多少輪儲存一次權重或驗證一次。-1 為自動。
早停耐心 Patience 驗證指標連續 N 輪無改善則停止訓練。0 表示禁用。
最佳化器 Optimizer auto 會自動選擇;也可手動指定 SGD、AdamW 等。
Dropout Dropout 正則化比率 (0.0 ~ 1.0),用於防止模型過擬合。
權重衰減 Weight Decay L2 正則化項係數,防止模型權重過大導致泛化差。
Mixup 增強 Mixup 混合兩張影像及標籤的機率 (0.0 ~ 1.0)。增加樣本多樣性。
Copy-Paste Copy-Paste 將目標隨機複製貼上到其他影象,提升模型召回率。
凍結層數 Freeze 凍結模型前 N 層權重不更新。適合預訓練模型微調。
視覺化工具 TB 開啟後使用 TensorBoard 記錄詳細日誌(Loss、指標)。

TensorBoard

tensor.png

勾選relaod data後,TensorBoard即可自動重新整理資料,預設為30秒一次。


5. 自動標註流程 (Auto Labeling)

  1. 載入模型:選擇已生成的最佳權重檔案(best.pt)。
  2. 設定閾值:調節 Conf,建議根據場景設定在 0.3 ~ 0.5 之間。
  3. 執行標註:系統自動掃描影像目錄並生成對應的 JSON 標籤。
  4. 校核確認:配合“影象標註”模組進行快速人工稽核。

6. 最終結果

最終結果

result.png

模型訓練完畢之後,會有以上最終評估圖可供參考。


環境注意事項

  1. 訓練期間請勿關閉軟體控制檯,否則程序會強制中斷。
  2. 若使用 OBB 旋轉框 模式,請確保資料集 JSON 格式定義正確(Length1/Length2 為半寬半高)。