模型訓練與推論
9 minutes1. 模型訓練與推論
1.1 演算法訓練
於專案頁面中，點選左側 分析 欄位進入演算法區域。
在此畫面中分為兩部分：
上方：演算法 → 用於推論
下方：訓練用演算法 → 用於模型訓練
▶ 開始訓練
於下方 訓練用演算法 中選擇欲訓練的模型
點擊 啟動新分析 開始設定訓練任務
系統目前提供以下演算法類型：
- YOLO（物件偵測 / 影像分割）
- SAM（智慧分割）
- ResNeXt（影像分類）
▶ 訓練可設定的參數
-
訓練資料來源
- 輸入訓練影像 ID
- 或直接全選專案內影像
- 可選擇標註來源：
- 人為標註 (Manual Annotation)
- 模型標註 (Annotation Job)
-
基本訓練參數
- Epoch 數 (Epoch)
- 選擇要訓練的術語（Class Terms）
- 驗證集影像比例（Fraction of validation dataset)
- 切片大小（Patch size）
- 批次大小（Batch size）
- 學習率（Learning rate）
此區參數會根據模型類型略有差異。
1.2 演算法推論（Inference）
訓練完成後可至 分析 → 演算法 查看可用模型，並進行推論。
不同演算法會提供不同調整選項，例如：
- 信心閾值（ Confidence score threshold）
- 最大偵測數（Maximum number of detections）
- 網格大小（Grid size）
▶ Faust：非監督式演算法
平台特別提供 Faust 非監督式學習模型（說明可參考部落格與原始論文）。
Faust 需設定以下參數：
- 影像是否為大張切片 (Is large patch) → 若勾選，系統會自動將切片大小放大為一般影像的四倍
- 欲分類的群數（N Clusters）
- 前景光密度閾值（Foreground optical density threshold）
- 前景像素比例門檻（Foreground fraction threshold）
▶ 標註後處理：Rename Prediction Label
平台提供 「Rename prediction label」 任務，可將模型預測的標註重新命名：
用途包括：
- 半監督式學習流程
- 模型預測結果分類統一
- 整理多模型結果標籤
