Documentation
Pierwsze kroki
Główne działania

Główne działania

Ogólna koncepcja usługi ONESTEP AI opiera się na kilku działaniach:

Jeśli chcesz, aby nasza aplikacja wykonała któreś z powyższych działań, otrzymasz powiadomienie, że zadanie zostało dodane do kolejki i będzie oczekiwać, aż proces roboczy stanie się dostępny, aby je przetworzyć. Proces roboczy to maszyna, która wykonuje zadania w tle, podczas gdy aplikacja działa i obsługuje inne żądania.

Więcej informacji znajdziesz w sekcji Słownik.

Przygotowanie zbioru danych

Aby rozpocząć, prześlij obrazy, z których chcesz utworzyć zbiór danych. Możesz mieć wiele zbiorów danych. Można je swobodnie dodawać, usuwać i edytować. Możesz dodawać adnotacje do obiektów na obrazach w zestawach danych, przypisywać do nich kategorie i łączyć ze sobą kategorie z wielu zestawów danych. Możesz także rozszerzać dane w oparciu o wybrane operacje. Wszystkie posiadane zbiory danych są przechowywane na koncie użytkownika.

Więcej informacji znajdziesz w sekcji Zbiory danych.

Trenowanie modelu

Gdy zbiory danych są gotowe, następnym krokiem jest utworzenie i wytrenowanie modelu. ONESTEP AI oferuje modele klasyfikacji i detekcji z popularnych frameworków obecnie TensorFlow 2.5.1 Keras, PyTorch 1.8.1, PyTorch 2.2.2, Tensorflow 2.11, Tensorflow 2.18 KerasCV i Darknet. Jeśli nie masz pewności, jak skonfigurować parametry procesu treningowego, skorzystaj z naszego kreatora z zalecanymi ustawieniami w trybie podstawowym. Jeśli jednak chcesz mieć pełną kontrolę nad procesem, skorzystaj z trybu zaawansowanego.

Jeśli obawiasz się powtarzalności procesu parametryzacji treningu, skorzystaj z szablonów, które będziesz mógł/mogła wykorzystać w kolejnych sesjach treningowych (szczegóły znajdziesz w sekcji Szablony modeli).

Możesz również dotrenować istniejący model, jeśli chcesz poprawić jego skuteczność lub dostosować go do nowego zbioru danych. Dzięki temu możesz wykorzystać wcześniej wyuczone wagi modelu zamiast zaczynać trenowanie od zera, co pozwala zaoszczędzić czas i zasoby.

Więcej informacji znajdziesz w sekcji Trenowanie modelu.

Testowanie modelu

Kolejnym krokiem w procesie jest przetestowanie modelu na urządzeniach brzegowych. Poniższy diagram pokazuje, w jaki sposób jesteśmy w stanie to zrobić.

Możesz wypożyczyć urządzenie z naszej chmury lub użyć własnego - zobacz artykuły Dodawanie własnego urządzenia do ONESTEP AI i Wypożyczanie urządzenia w chmurze.

Obsługujemy następujące typy urządzeń brzegowych:

Oprócz powyższych urządzeń oferujemy oprogramowanie Artificial Intelligence Device Web Service (AI’VIEWER) do testowania modeli utworzonych w usłudze OSAI.

Więcej informacji znajdziesz w sekcji Testowanie.

Predykcja

Ostatnim krokiem jest predykcja. Predyktor umożliwia dodanie adnotacji lub kategoryzowanie obrazów w zbiorze danych za pomocą wcześniej wytrenowanego modelu detekcji lub klasyfikacji. Wybierz minimalny poziom pewności, który określa minimalną precyzję wystarczającą do zaakceptowania danej predykcji i utworzenia na jej podstawie odpowiedniej kategorii klasyfikacji lub adnotacji dla obrazu, oraz tryb predyktora, który określa, które obrazy w zbiorze danych będą sprawdzane przez predyktor i czy stare adnotacje zostaną zastąpione, czy zachowane wraz z dodaniem nowych adnotacji.

Więcej informacji znajdziesz w sekcji Predyktor.

Pętla ciągłego doskonalenia

Każdy z powyższych kroków można powtórzyć, aby poprawić wyniki. Na przykład można dodać więcej obrazów do zbioru danych, utworzyć nowe adnotacje, stworzyć i wytrenować nowy i lepszy model, przetestować model na różnych urządzeniach brzegowych lub użyć predyktora na niedawno ulepszonym modelu. Pętla ciągłego doskonalenia jest kluczowym aspektem rozwoju sztucznej inteligencji. Odnosi się do procesu ciągłego udoskonalania i ulepszania modelu w celu zwiększenia jego dokładności, wydajności i skuteczności.