Skip to content

training.md

Latest commit

 

History

History
228 lines (166 loc) · 8.88 KB

training.md

File metadata and controls

228 lines (166 loc) · 8.88 KB

Тренировка модели

🇬🇧 English version

Обучение модели YOLO для распознавания носков. Тренировка требует GPU — на CPU она займёт слишком много времени.

Где тренировать

Устройство Команда Время (100 эпох)
NVIDIA GPU (RTX 4070 Super) --device 0 ~15 мин
Apple Silicon (M3 Pro) --device mps ~20 мин
CPU --device cpu несколько часов

В проекте используется отдельный GPU-сервер с NVIDIA.

Перед тем как использовать ssh blackops в примерах ниже, убедись, что этот host alias настроен в ~/.ssh/config (и при необходимости в /etc/hosts). См.: infrastructure.md

Подготовка окружения

GPU-сервер (Ubuntu + NVIDIA)

ssh blackops

# Проверить, что GPU доступен
nvidia-smi

# Установить зависимости
python3 -m venv venv
source venv/bin/activate
pip install ultralytics

Apple Silicon (macOS)

uv venv && uv pip install ultralytics

MPS (Metal Performance Shaders) поддерживается ultralytics из коробки.

Тренировка

Через CLI (main.py)

# Полная тренировка (100 эпох, GPU)
./main.py train --model yolov8n.pt --data data.yaml --epochs 100 --batch 16 --device 0

# Быстрый тест (10 эпох, Apple Silicon)
./main.py train --model yolov8n.pt --data data.yaml --epochs 10 --batch 8 --device mps

# На CPU (медленно, только для проверки)
./main.py train --model yolov8n.pt --data data.yaml --epochs 10 --batch 4 --device cpu

Через yolo CLI

yolo task=detect mode=train model=yolov8n.pt imgsz=640 data=data.yaml epochs=100 batch=16

Через Python API

from ultralytics import YOLO

model = YOLO("yolov8n.pt")
results = model.train(data="data.yaml", epochs=100, imgsz=640, batch=16, device="0")

Параметры тренировки

Параметр Значение Описание
--model yolov8n.pt Базовая модель (nano — самая лёгкая, подходит для RPi)
--data data.yaml Конфиг датасета
--epochs 100 Количество эпох
--imgsz 640 Размер изображения (px)
--batch 16 Размер батча (уменьшить, если не хватает VRAM)
--device 0 / mps / cpu Устройство для тренировки

Оценка результатов

После тренировки ultralytics сохраняет результаты в папку runs/detect/train/:

runs/detect/train/
├── weights/
│   ├── best.pt              # Лучшая модель (по mAP50)
│   └── last.pt              # Последняя эпоха
├── results.csv              # Метрики по эпохам
├── confusion_matrix.png     # Матрица ошибок
├── F1_curve.png             # F1-кривая
├── P_curve.png              # Precision-кривая
├── R_curve.png              # Recall-кривая
└── results.png              # Графики метрик

Ключевые метрики

  • Precision — доля верных детекций среди всех детекций
  • Recall — доля найденных объектов среди всех реальных объектов
  • mAP50 — средняя точность при IoU=0.5 (основная метрика)
  • mAP50-95 — средняя точность при IoU от 0.5 до 0.95

На практике: mAP50 удобно использовать как быстрый основной индикатор качества, а mAP50-95 — как более строгую метрику, которая лучше отражает качество боксов на разных порогах IoU.

Результаты обученных моделей

Модель mAP50 mAP50-95 Размер Файл
YOLOv8n (100 эпох) 0.995 0.885 6.0 MB models/yolo8_best.pt
YOLOv11n (100 эпох) 0.995 0.96 5.2 MB models/yolo11_best.pt

Бенчмарк

Для оценки скорости инференса на разных форматах:

./main.py bench --model best.pt

Экспорт модели

После тренировки .pt модель нужно экспортировать в формат для деплоя на RPi.

Рекомендуемый формат: NCNN

NCNN (Tencent) — оптимизирован для ARM-процессоров. На RPi 5 даёт 15.8 FPS (чистый инференс) / 14.9 FPS (с препроцессингом) через pip ncnn + OMP workaround vs 3.5 FPS PyTorch.

Формат RPi 5 FPS Рекомендация
pip ncnn native (4 OMP) 14.9–15.8 ✅ Для продакшена на RPi (NcnnNativeDetector)
NCNN (ultralytics) 11.2 Альтернатива (без OMP workaround)
ONNX 3.0 Медленнее, крашит RPi 4 (legacy)
PyTorch (.pt) 3.5 Для разработки и GPU

Быстрое правило:

  • NCNN — для деплоя на Raspberry Pi;
  • .pt — для обучения, отладки и GPU-хостов;
  • ONNX — только если нужна совместимость с другими runtime/framework.

Пайплайн: обучение → экспорт → деплой

# 1. Обучить модель (на GPU-сервере)
ssh blackops
cd ~/work/test20250807_yolov8
python -c "
from ultralytics import YOLO
model = YOLO('yolo11n.pt')
model.train(data='data.yaml', epochs=100, batch=16, device=0)
"
# Результат: runs/detect/train/weights/best.pt

# 2. Экспортировать в NCNN (на dev-машине или GPU-сервере)
python -c "
from ultralytics import YOLO
model = YOLO('runs/detect/train/weights/best.pt')
model.export(format='ncnn')
"
# Результат: runs/detect/train/weights/best_ncnn_model/
#   ├── model.ncnn.param   (граф модели, ~22 KB)
#   ├── model.ncnn.bin     (веса, ~10 MB)
#   └── metadata.yaml      (метаданные ultralytics)

# 3. Скопировать на RPi
scp -r runs/detect/train/weights/best_ncnn_model rpi5:~/sockstank/models/yolo11_best_ncnn_model

# 4. Запустить SocksTank (NCNN — дефолт)
ssh rpi5
cd ~/sockstank
sudo -E python3 main.py serve --model models/yolo11_best_ncnn_model --conf 0.5

Экспорт через CLI

# NCNN (рекомендуется для RPi)
yolo export model=best.pt format=ncnn imgsz=640

# ONNX (универсальный)
yolo export model=best.pt format=onnx imgsz=640

Экспорт через Python

from ultralytics import YOLO

model = YOLO("best.pt")

# NCNN
model.export(format="ncnn")  # → best_ncnn_model/

# ONNX
model.export(format="onnx")  # → best.onnx

Аргументы экспорта

Аргумент Тип По умолчанию Описание
format str torchscript Формат: ncnn, onnx, torchscript, engine (TensorRT)
imgsz int/tuple 640 Размер входного изображения
half bool False FP16-квантизация
int8 bool False INT8-квантизация (для edge-устройств)
simplify bool True Упрощение графа (ONNX)
dynamic bool False Динамические размеры входа (ONNX, TensorRT)
device str None Устройство: 0 (GPU), cpu, mps
data str coco8.yaml Датасет для INT8-калибровки

Текущие модели в проекте

Модель Формат Файл Размер Назначение
YOLOv11n PyTorch models/yolo11_best.pt 5.2 MB GPU, разработка
YOLOv11n NCNN models/yolo11_best_ncnn_model/ 10.4 MB RPi (продакшен)
YOLOv11n ONNX models/yolo11_best.onnx 10.1 MB Универсальный
YOLOv8n PyTorch models/yolo8_best.pt 6.0 MB Старая модель
← Предыдущая README Следующая →
Подготовка датасета Вернуться к README Запуск проекта