开放能力
开发平台
行业应用
生态合作
开发与教学
资讯 社区 控制台
技术能力
语音技术
文字识别
人脸与人体
图像技术
语言与知识
视频技术
AR与VR
数据智能
场景方案
部署方案
行业应用
智能教育
智能医疗
智能零售
智能工业
企业服务
智能政务
信息服务
智能园区

常见问题

训练相关问题

如果使用GPU环境进行训练?

如果您的计算机有NVIDIA® GPU,且需要使用GPU环境进行训练,请确保满足以下条件:

  • Windows 7/8/10/11: 需安装 CUDA 11.2 与 cuDNN v8.2.1
  • Ubuntu 16.04/18.4/20.4: 需 CUDA 11.2 与 cuDNN v8.1.1
  • CentOS 7: 需 CUDA 11.2 与 cuDNN v8.1.1

您可参考NVIDIA官方文档了解CUDA和CUDNN的安装流程和配置方法,详见:

训练失败怎么办?

若训练失败,训练任务列表中会展示失败原因及解决办法,如有其他问题请提交工单联系我们。

模型效果相关问题

如何提升模型效果?

一个模型很难一次性就训练到最佳的效果,可能需要结合模型评估报告和校验结果不断扩充数据和调优。为此我们设计了模型迭代功能,即当模型训练完毕后,会生成一个最新的版本号,首次V1、之后V2……以此类推。可以通过调整训练数据和算法,多次训练,获得更好的模型效果。

若想要提升模型效果,可以尝试以下两种方法:

一、检查并优化训练数据

图像分类

  1. 检查是否存在训练数据过少的情况,建议每个类别的图片量不少于100个,如果低于这个量级建议扩充。
  2. 检查不同类别的数据量是否均衡,建议不同分类的数据量级相同,并尽量接近,如果有的类别数据量很高,有的类别数据量较低,会影响模型整体的识别效果。
  3. 通过模型效果评估报告中的错误识别示例,有针对性地扩充训练数据。
  4. 检查测试模型的数据与训练数据的采集来源是否一致,如果设备不一致、或者采集的环境不一致,那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集,将训练数据与实际业务场景数据尽可能一致。

物体检测

  1. 检查是否存在训练数据过少的情况,建议每个标签标注50个框以上,如果低于这个量级建议扩充。
  2. 检查不同标签的标注框数量是否均衡,建议不同标签的标注框数数据量级相同,并尽量接近,如果有的标签框数很多,有的标签框数很少,会影响模型整体的识别效果。
  3. 通过模型效果评估报告中的错误识别示例,有针对性地扩充训练数据。
  4. 检查测试模型的数据与训练数据的采集来源是否一致,如果设备不一致、或者采集的环境不一致,那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集,将训练数据与实际业务场景数据尽可能一致。

实例分割

  1. 检查是否存在训练数据过少的情况,建议每个标签标注50个目标以上,如果低于这个量级建议扩充。
  2. 检查不同标签的标注目标数是否均衡,建议不同标签的标注目标数数据量级相同,并尽量接近,如果有的标签标注的很多,有的标签标注的很少,会影响模型整体的识别效果。
  3. 通过模型效果评估报告中的错误识别示例,有针对性地扩充训练数据。
  4. 检查测试模型的数据与训练数据的采集来源是否一致,如果设备不一致、或者采集的环境不一致,那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集,将训练数据与实际业务场景数据尽可能一致。

二、尝试不同的训练配置

可前往训练配置页面尝试不同的配置组合,因不同数据集在不同的算法上可能表现不一致,所以建议您多尝试不同的算法选型后综合挑选精度最高的模型使用,你可以选择如下的配置项:

  • 增量训练
  • 自定义验证集
  • 数据增强策略
  • 在高级训练配置中增加输入图片分辨率
上一篇
离线SDK部署说明
下一篇
分享我的模型