Eu vou treinar um detector de objetos personalizado para suas classes com onnx e uma API

Detectors genéricos não capturam as coisas que seu negócio realmente importa. Eu treino um detector de objetos nas suas próprias classes (produtos, defeitos, equipamentos, equipamentos de segurança, qualquer coisa que você possa rotular) e mostro o quão bem ele funciona antes de você confiar nele.

Por pacote, você recebe um detector ajustado, baseado em um modelo com licença permissiva, exportado para ONNX para rodar em CPU ou GPU, uma API de inferência pequena e um relatório claro: AP por classe com intervalos de confiança de 95% em um conjunto de teste reservado, uma comparação com um detector zero-shot pronto, e exemplos reais de seus erros.

No meu projeto de exemplo (capacetes, coletes refletivos e cabeças sem capacete), o mAP@50 passou de 22,3% com o detector genérico para 57,3% após o ajuste, medido em 1.584 imagens de teste reservadas. A exportação para ONNX corresponde ao modelo original em todo o conjunto de teste. É um projeto conceitual, então seus resultados vão depender das suas imagens e rótulos.

Primeiro, verifico a qualidade dos dados: duplicatas, vazamentos na divisão de treino/teste e rótulos pouco claros são as razões habituais de um detector parecer ótimo na demonstração e falhar na prática.

Por favor, envie imagens rotuladas nos formatos COCO, YOLO ou Pascal VOC, ou me diga o que você tem e planejaremos a rotulagem.