实例分割

实例分割（Instance Segmentation）模型可以同时识别和分割图像中的每个对象实例。不仅可以标识出对象的类别，并且能精确地分割出每个对象的像素级区域。 在复杂的工业环境中，可以用于检测和分割不同类型的缺陷，例如在一张图中同时检测多个类型的外观缺陷。

应用场景

• 外观缺陷检测
• 产品计数
• 装配检查

文件结构

通常，我们将一个任务中的文件存放在一个文件夹下，包含：

1. 1-训练集：存放训练数据，内部可以有多层文件夹，用户可根据使用习惯整理数据。
2. 2-工作目录：存放训练完成的 AI 模型，日志，中间结果，过漏检数据等。
3. AI 项目文件：后缀名为.dva，创建项目后自动生成在训练集同目录下，记录了项目信息和训练参数等。

数据集准备

使用 Labelme 标注数据

1. 手动标注
2. AI 辅助标注：基于大模型的轮廓自动提取，仅需手动选择标签。
3. AI 自动标注：支持使用预训练模型或定制化模型批量标注，仅需人工核查。（此功能需要硬件加密锁授权。）

参考：Labelme基本功能

创建项目

数据集分析

训练集前通过【加载数据集】，查看类别数据量和数据集预览。

数据增强

训练参数

训练参数的具体介绍可参考：训练参数

• 学习率：通常使用默认值。Loss 曲线震荡难以收敛时，可以考虑降低学习率，一般降低 10 倍。
• 权重衰减：通常使用默认值，当出现 Loss NaN 的情况时，可以考虑放大权重衰减，放大 10-100 倍。
• 保存过漏检数据：勾选后，训练完成时，会将验证集中的过漏检数据保存在工作目录下。

训练记录

测试模型结果

可以在训练记录中一键跳转到测试平台，会自动加载训练集和 AI 模型；也可以手动打开测试平台，加载需要测试的数据和模型。