Модели компьютерного зрения
Для операций YOLO, SAM и OmniParser нужны подготовленные зависимости, совместимый файл модели и выбор модели в параметрах операции. Обучение собственных моделей находится во вкладке «Датасеты и обучение» и имеет отдельный каталог.
Общий порядок
- Проверьте компонент машинного обучения на странице зависимостей.
- Откройте настройки моделей выбранного семейства.
- Загрузите поддерживаемую модель или укажите доверенный локальный файл.
- Выберите активную модель и выполните проверку загрузки.
- Проверка операции на отдельном изображении показывает загрузку модели и формат результата; она не заменяет оценку качества на собственных данных.
Семейства моделей
| Семейство | Назначение | Особенности |
|---|---|---|
| YOLO | Обнаружение, сегментация и оценка позы — в зависимости от выбранной модели. | Тип задачи модели должен совпадать с операцией. |
| SAM | Сегментация по точке, рамке или другой подсказке. | Разные варианты требуют разных файлов и ресурсов. |
| OmniParser | Поиск и описание элементов интерфейса. | Для полного процесса могут требоваться несколько согласованных моделей. |
Загрузка и конфиденциальность
Загрузка модели начинается только после действия пользователя. Сервер модели получает обычные технические данные HTTPS-запроса, но Screph не отправляет ему проект, разметку или исходные изображения. После загрузки обработка выполняется локально.
Для закрытой сети можно использовать заранее подготовленные локальные файлы. Загружайте модели только из доверенных источников: файл модели может содержать данные, которые обрабатываются программными библиотеками при открытии.
Проверка файла
Если для модели опубликована контрольная сумма, Screph может сравнить её с локальным файлом. Совпадение подтверждает целостность файла, но не гарантирует качество модели или пригодность для конкретной задачи.
Типичные причины недоступности
- Не подготовлены зависимости машинного обучения.
- Файл отсутствует, повреждён или не подходит выбранному семейству.
- Активная модель не выбрана в настройках.
- Недостаточно памяти или свободного места.
Подготовка компонентов описана в разделе «Зависимости и обновления».
Обучаемые модели и среда обучения
Learning поддерживает классификацию одного изображения, детекцию прямоугольниками и сегментацию экземпляров бинарными масками. Каталог включает поддерживаемые архитектуры TorchVision и Ultralytics: YOLO11 Detect, YOLO11 Seg и RT-DETR-L. Задача датасета должна совпадать с задачей модели; произвольный файл .pt/.pth или YAML в каталог обучения не импортируется.
«Обучаемая модель» объединяет группы, рекомендации и справку. «Расширенный каталог…» позволяет искать модели текущей задачи и режима, а «Добавить модель…» добавляет поддерживаемую архитектуру в основной выбор. Предобученные веса загружаются отдельным действием с проверкой целостности; отсутствующие или повреждённые веса блокируют соответствующий запуск.
Нажатие «Начать обучение» при неготовой среде открывает немодальное окно «Среда обучения модели». В нём можно выбрать поддерживаемый локальный пакет ZIP или папку либо выполнить предлагаемую загрузку и установку. Проверяются только компоненты обучения; диагностика остальных компонентов открывается отдельно. Системный Python не подставляется вместо выбранной ML-среды.
Размер входа и обработка зависят от архитектуры: SSDLite320 использует 320×320, RT-DETR-L требует не менее 128×128. Для YOLO11 Seg точные маски датасета преобразуются во внутренний формат обучения; исходные маски сохраняются для независимой оценки. Выбор CUDA требует доступного устройства и не переключается на CPU молча.
Кандидат, основная модель и конечная программа
Успешное обучение создаёт кандидата с метриками и проверенными файлами. Выпуск сохраняет отдельную модель и свидетельства оценки. Если модель опубликована, но не стала основной, повторяется только выбор основной модели; повторное обучение не требуется.
Проверка кандидата или выпущенной модели в Automation Runtime использует явно выбранный источник и ML-среду. Это предпросмотр предсказаний; он не создаёт финальную оценку и не включает модель в конечную программу.
Профиль применения хранит описание модели и её роль отдельно от весов. Включение в конечную программу задаётся явно; при включении обязательны источник входных данных и использование результата. Агент получает проверенные файлы только разрешённой основной модели. Ручной экспорт модели и передача агенту — разные действия.
Качество проверяется на данных конкретной задачи. Установка весов, успешный предпросмотр или короткий учебный запуск не подтверждают точность на новых сценах. Распределённое обучение Ray экспериментально и доступно только для классификации; эмпирический автоподбор серии обучений в интерфейсе пока недоступен.