3.5 KiB
| id | title |
|---|---|
| improving_model | 优化你的模型 |
你可能会发现Frigate+模型最初会产生更多误报，但通过提交正确检测样本和误报样本，模型会不断改进。随着订阅用户提交的新图像越来越多，未来的基础模型也会随之改进。请注意，只有包含至少一个已验证标签的图像才会用于训练你的模型。从Frigate提交图像作为正确检测或误报样本不会自动验证该图像，你仍需在Frigate+中验证图像才能用于训练。
-
同时提交正确检测样本和误报样本：这有助于模型区分正确和错误的检测。建议保持80%的正确检测样本和20%的误报样本的比例。如果在特定区域出现误报，在相似光照条件下提交该区域附近任何对象类型的正确检测样本，将帮助模型学习无对象时该区域的特征。
-
适当降低阈值以获取阈值附近更多样本：例如，如果有68%分数的误报和72%分数的正确检测，可以尝试将阈值降至65%并提交该范围内的样本。这有助于模型学习并扩大正确检测与误报之间的分数差距。
-
提交多样化的图像：最佳效果需要每个摄像头至少100张已验证图像。需包含不同条件下的样本：阴天、晴天、黎明、黄昏和夜间。当环境变化时（如夏季转冬季或有新家具时），可能需要提交新样本来应对新型误报。
正确标注图像
遵循以下指南可获得最佳效果：
标注图像中每个对象：验证前标注所有对象很重要。如果未标注汽车，模型会误认为该区域不是汽车。可以排除不想检测的标签。
使用紧密的边界框：更精确的边界框能提高识别准确率，确保运行时预测的边界框更精准。
即使被遮挡也要标注完整对象：如人物被汽车遮挡，仍应标注整个人物。这有助于预测准确边界框，提高区域准确性和运行时过滤效果。若对象部分在画面外，仅当人眼可识别时才标注。
难以识别的对象标记为"困难"：当对象确实难以辨认时（如灌木丛后隐约可见的汽车或夜间难辨的狗），标记为"困难"。目前这不影响训练，但未来会纳入考量。
快递标识如amazon、ups和fedex应单独标注：对Fedex卡车，用car标注整车，再为Fedex标识单独标注边界框。多个标识需分别标注。
误报标注
误报会显示红色框和删除线标签。
错误识别的对象应添加正确标签。例如若将人误识别为猫，应在Frigate中提交为误报并添加人物标签。边界框会重叠。
快捷操作指南
| 快捷键 | 功能描述 |
|---|---|
? |
显示所有快捷键 |
w |
添加边界框 |
d |
切换困难标记 |
s |
切换至下一个标签 |
tab |
选择下一个最大边界框 |
del |
删除当前边界框 |
esc |
取消选择/取消操作 |
← ↑ → ↓ |
移动边界框 |
Shift+方向键 |
调整边界框大小 |
滚轮 |
缩放视图 |
f |
隐藏/显示非当前边界框 |
空格键 |
验证并保存 |