Ik train een aangepaste object detector voor jouw klassen met onnx en een API

Algemene detectors missen de dingen die jouw bedrijf belangrijk vindt. Ik train een object detector op jouw eigen klassen (producten, defecten, apparatuur, veiligheidskleding, alles wat je kunt labelen) en bewijs hoe goed hij werkt voordat je erop vertrouwt.

Per pakket krijg je een fijn afgestelde detector gebouwd op een model met een permissieve licentie, geëxporteerd naar ONNX zodat hij op CPU of GPU draait, een kleine inference API, en een duidelijk rapport: per-klasse AP met 95% betrouwbaarheidsintervallen op een testset die niet in de training zat, een vergelijking met een kant-en-klare zero-shot detector, en echte voorbeelden van fouten.

In mijn voorbeeldproject (veiligheidshats, reflecterende vesten en hoofden zonder helm) ging de mAP@50 van 22,3% met de generieke detector naar 57,3% na fine-tuning, gemeten op 1.584 testafbeeldingen die niet in de training zaten. De ONNX-export kwam overeen met het originele model op de hele testset. Het is een conceptproject, dus jouw resultaten hangen af van jouw afbeeldingen en labels.

Ik controleer eerst de datakwaliteit: duplicaten, lekken in train/test splits en onduidelijke labels zijn meestal de redenen dat een detector er in een demo goed uitziet en in de praktijk faalt.

Stuur alsjeblieft gelabelde afbeeldingen in COCO, YOLO of Pascal VOC formaat, of vertel me wat je hebt en we plannen de labeling.