自定义训练

概述

在我们的 Github 存储库 depthai-ml-training 中，我们提供了几个在各种数据集上训练的ML训练笔记本. 您可以在 Google Colab 上运行这些笔记本-它们提供免费的CPU/GPU实例，非常适合原型设计甚至简单的生产模型。

我们目前有这些 ML 培训教程：

教程

以下教程基于 MobileNetv2-SSD，MobileNetv2-SSD 是一个性能不错的框架对象检测器，它本身在 DepthAI 上运行。可以在 Colab 上训练/支持许多其他对象检测器并在 DepthAI 上运行它们，因此，如果您需要其他对象检测器/网络后端，请随时发出 GitHub 问题！

简易物体检测器训练

教程笔记本 Easy_Object_Detection_With_Custom_Data_Demo_Training.ipynb 显示了如何基于Mobilenet SSDv2网络快速训练对象检测器。

(可选), 请参阅有关此模块的文档 (此处) 以获取有关如何使用此笔记本的指南/演练。此外，可以随意跳进笔记本电脑，通过一些实验，训练模型相对简单。

训练完成后，它还将模型转换为在我们的 DepthAI 平台和模块上运行的.blob 文件。首先，将模型转换为 OpenVINO 可以使用的称为中间表示(IR)的格式。然后使用我们为此设置的服务器将 IR 模型编译为.blob 文件。 (IR 模型也可以本地转换为Blob )。

就是这样，在不到两个小时的时间内，相当先进的概念证明对象检测器就可以在 DepthAI 上运行，以检测您选择的对象及其相关的空间信息(即 xyz 位置)。例如，此笔记本用于训练 DepthAI 在 3D 空间中定位草莓，请参见下文:

上面的示例使用了 DepthAI 模块化相机版本 (BW1098FFC).

COVID-19 蒙面/不蒙面训练

该 Medical Mask Detection Demo Training.ipynb 训练笔记本显示了更复杂的对象检测器的另一个示例。训练数据集包括戴着或不戴着口罩进行病毒防护的人员。大约有 700 张图片，带有大约 3600 个边框注释。图像很复杂：它们的比例和构图变化很大。尽管如此，对于这种任务而言，对象检测器在这个相对较小的数据集中却表现出色。同样，训练大约需要 2 个小时。取决于 Colab 彩票分配给笔记本实例的 GPU，训练 10k 步骤可能需要 2.5 个小时或 1.5 个小时。无论哪种方式，对于如此艰巨的任务而言，在短期内就无法获得如此优质的概念证明。然后，我们执行了上面的步骤以转换为Blob，然后在DepthAI模块上运行它。

以下是在 Luxonis DepthAI 车载摄像头版本 (BW1098OBC) 上使用此笔记本电脑生产的型号的快速测试: