前言
Maixhub 提供模型训练功能和模型分享功能， 只需要准备好需要训练的数据集， 不需要搭建训练环境和代码， 上传训练数据即可快速训练出模型
目前 Maixhub 支持分类模型 和 目标检测模型的训练。
你需要做的：
1.确定目标， 是分类还是检测
2.根据使用说明制作符合要求的数据集
3.上传数据集等待云端自动训练
4.训练完成， 结果会通过邮件进行通知， 不管是成功还是失败，都会有邮件通知，里面有详细的任务信息和结果文件
Maixhub 模型训练平台使用说明
Ⅰ.功能介绍
Maixhub 模型训练平台帮助大家快速训练想要的 AI模型， 不需要任何训练环境搭建和代码运行， 只需要选择训练类型，上传（标注）数据集， Maixhub就会自动进行训练，并将结果通过邮件发送给您。
生成的模型提供给 MaixPy 使用，一个运行在一不到￥100算力却1TOPS的开发板上的开发套件， 使用Mcropython语法编写程序
目前提供两种训练： 目标分类与 目标检测
目标分类： 识别图片所属的种类， 比如图中是苹果还是杯子, 没有坐标。 如下图，识别到了苹果，是苹果的概率为0.8
目标检测： 检测图片中物体的位置， 并且输出这个物体的坐标和物体大小（即框出认识的物体）。 如下图， 识别到了苹果， 并且框出了位置， 是苹果的概率为0.8
; Ⅱ.确定方案
1）首先确定要训练哪种模型
在上面支持的模型中选择一个，如果不需要检测物体坐标， 用目标分类， 需要坐标则目标检测，
即：
需要坐标不需要坐标目标分类目标检测
两者处理数据要做的工作和格式都不一样， 后者会复杂很多。
第一次使用强烈建议先使用目标分类成功走一遍流程。
2）确定分类。 包括分类数量， 具体分类
比如这里以识别红色小球和玩具为例:
所以共两个分类： ball 和 toy， 我们也称之为标签(label)，
注意！！！ 分类名（标签/label）只能使用英文字符和下划线。
; 3）确定分辨率
图片的分辨率也十分重要，不管是在采集、训练，还是使用时， 都需要十分注意， 稍不注意，模型可能就无法使用或者识别精度低。
以下为Maixhub目前支持的分辨率，其它分辨率将会训练失败（使用推荐分辨率识别准确率更高）：
目标分类： 224×224（推荐）
目标检测： 224×224（推荐）， 240×240
4）确定采集数据集（这里就是所有图片的统称）数量
即确定好每个分类的图片数量，方便后面采集图片快速准确进行，
另外也要满足 Maixhub 的要求：
目标分类： 每类图片数量不低于40张，比如采集 200 张。
目标检测： 每类图片数量不低于100张， 比如采集200张。
5）注意
最后上传的zip文件不能超过20MiB
Ⅲ.采集照片
确定了方案，就可以采集照片了， 目标是采集目标分辨率的照片， 以下都以224×224为例， 将他们按照目录进行分类收集， 比如 采集整理好的目录结构：
|—-ball
| |
| —0.jpg
| |
| —1.jpg
| |
| —2.jpg
|—-toy
|
—0.jpg
|
—1.jpg
采集照片有以下几种方式：
- 使用开发板采集到SD卡， 直接采集成需要的分辨率 （推荐）。
- 手机拍照， 然后使用预处理工具处理成需要的分辨率， 注意， 处理完后一定要手动检查数据是否符合要求， 不然可能影响训练精准度。
- 使用现成的图片， 使用预处理工具处理成需要的分辨率， 注意， 处理完后一定要手动检查数据是否符合要求， 不然可能影响训练精准度。
1）使用开发板进行数据采集
- 使用 这个脚本进行采集图片。
- 按照图片采集脚本使用说明 采集图片到SD卡。
- 将SD卡中的图片拷贝到电脑， 整理成上面的目录结构， 所有图片的分辨率为224×224。
- 注意 SD卡需要硬件支持SPI通信， 并使用MBR(msdos)分区方案，并格式化为FAT32格式。
2）使用其它图片
整理成上面的目录结构， 最后所有图片分辨率已经是224×224， 如果不是， 后面还需要处理。
Ⅳ.预处理数据集为目标分辨率
- 如果所有图片已经都是224×224的分辨率，本步骤跳过。
- 如果有图片不是224×224， 那么需要先把所有图片处理成224×224, 稍后Maixhub会推出预处理工具。
Ⅴ.标注数据集
目标分类目标检测不需要标注数据集需要标注数据集
所以做目标分类项目请跳至 下一标题 VI 打包数据集。
对于目标检测要注意， 一定要先保证分辨率正确， 再标注。
标注有以下两种工具：
vott与 labelimg 点击下载链接开始下载，所需积分/C币: 0。
vott 使用方法：
- 创建项目， 这里比较麻烦的就是数据输入输出文件夹需要创建一个连接（connection）
- 然后左边导出设置， 选择TFRecord格式
- 标注数据
- 标注完成后需要手动点击导出按钮来导出TFRecord文件
- 结果文件目录结构， 注意tf_label_map.pbtxt是必须的，vott自动生成的， 不要手动修改
datasets
|
|—0.tfrecord
|—1.tfrecord
|—2.tfrecord
—tf_label_map.pbtxt
; labelimg使用方法
如下图， 选择图片目录， 以及存放（输出）目录，（左边PascalVOC格式不要改动）按下W按键后， 用鼠标框出图片中的物体， 并且给它给一个标签， 这里使用了ball作为标签（一张图中可以有多个物体）
保存后会生成xml格式的文件（即PascalVOC格式）,每张图对应一个xml文件
结果文件： 完成后目录结构和文件如下：
或者两级目录
Ⅵ. 打包数据集
注意：将前面处理好的数据集进行打包， 使用 zip压缩，暂不支持其它格式， 而且文件不要超过 20MiB
1）目标分类
对目标分类而言：一个文件夹一个分类， 分类名（标签/label）就是文件夹名，
; 2）目标检测
a) vott的输出zip文件结构：
b) labelimg 的输出zip文件结构：
新建了一个labels.txt, 输入标记的标签， 每行一个， 比如这里：
这是必须的， 否则数据无效，然后目录结构如下：
或者两级输出：
Ⅶ.上传数据集进行训练
在线训练需要到 Maix Hub站 创建训练任务，接着
- 选择训练类型
- 填写邮箱地址， 用于接收结果， 包括成功（模型等文件） 和 失败 （失败原因）结果
- 如果要求填写机器码（不要求则跳过此步骤）：
- 警告： 由于需要进行模型加密，运行key_gen.bin 将永远关闭 JTAG端口，并写入一次性 AES KEY，请确认对自己开发没有影响再进行烧录。（如果不使用JTAG调试开发或者仅使用MaixPy开发不影响）
- 获取机器码，参考Maix Bit K210人脸识别(内有获取机器码步骤)内容中的第一步。
- 上传打包好的zip格式的数据集
- 点击创建训练任务
Ⅷ. 训练结果及使用方法
训练结果（成功或者失败） 会发送到邮箱。 是一个zip压缩文件， 解压后仔细阅读README.txt，使用了中英文对使用方法进行了说明。默认是在有最新版固件1的情况下， 将结果文件全部拷贝到SD卡根目录， 断电插入开发板， 然后上电就可以运行了，如果需要将模型放到flash， 烧录方法参考MaixPy教程。
Original: https://blog.csdn.net/csdn_rp/article/details/119910963
Author: Z变换
Title: Maix Bit K210在线训练模型【保姆级教程】
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/530101/
转载文章受原作者版权保护。转载请注明原作者出处！