Skip to main content

使用 SenseCraft AI 在线快速训练图像分类模型

SenseCraft AI 提供了一套基于浏览器的图像分类模型训练工具。无需搭建本地深度学习环境，也不需要编写训练代码，只需准备不同类别的图像样本，即可在线完成数据采集、模型训练、效果预览与设备部署。

在线训练入口：SenseCraft AI Online Training

功能概览​

通过 SenseCraft AI 在线训练工具，你可以：

  • 使用电脑摄像头实时采集训练图像；
  • 为识别目标创建多个分类类别；
  • 导入已有数据集，或导出当前数据集进行备份；
  • 在云端快速训练图像分类模型；
  • 将训练完成的模型用于 reCamera；
  • 在线预览模型的分类结果；
  • 在历史模型中查看和管理已训练模型。

整个流程可以概括为：

  1. 创建分类类别；
  2. 为每个类别采集图像样本；
  3. 选择目标设备并开始训练；
  4. 使用摄像头预览分类效果；
  5. 将模型部署到 reCamera。

图像分类适合做什么​

图像分类模型用于判断一张图像整体属于哪个类别。例如：

应用场景示例类别
天气识别晴天、阴天、雨天、雾天
物品分类瓶子、杯子、盒子
产品质检合格、划痕、破损
场景识别室内、室外、仓库、办公室
手势识别OK、点赞、停止
设备状态识别正常、告警、离线

图像分类会为整张图像输出一个类别。如果需要在同一画面中定位一个或多个目标，并获得目标位置，应使用“图像目标检测”功能。

使用前准备​

开始训练前，请准备：

  • 一个可登录 SenseCraft AI 的账号；
  • Chrome、Edge 等现代浏览器；
  • 可正常使用的电脑摄像头，或已经整理好的分类图像；
  • 至少两个需要区分的类别；
  • 如需部署，准备一台已接入 SenseCraft AI 的 reCamera。

使用浏览器摄像头采集样本时，需要允许网页访问摄像头。

第一步：进入在线训练页面​

  1. 打开 SenseCraft AI 在线训练页面。
  2. 登录 SenseCraft AI 账号。
  3. 在顶部导航中进入“模型”页面，然后选择“训练”。
  4. 在训练类型中选择“图像分类”。

页面主要分为三个区域：

  • 分类数据采集：创建类别并添加训练样本；
  • 模型训练：选择设备并启动训练；
  • 部署与预览：训练完成后测试或部署模型。

第二步：创建分类类别​

系统默认提供 Class 1 和 Class 2。建议先将它们修改为容易理解的类别名称，我们这里才有用have person 和 no person演示。

  1. 点击类别名称旁的编辑图标；
  2. 输入类别名称，例如 have person、no person；
  3. 如需更多类别，点击“添加类别 +”；
  4. 如需管理或删除某个类别，使用类别右侧的更多菜单。

类别命名建议：

  • 名称应简短、明确，并且彼此不重复；
  • 建议使用实际业务中的名称；
  • 同一项目内尽量统一使用中文或英文；
  • 不要把外观非常接近、含义又不明确的样本随意拆成多个类别。

第三步：采集训练样本​

通过摄像头采集​

  1. 在左侧选中需要添加样本的类别；
  2. 在右侧输入源下拉菜单中选择 Webcam；
  3. 将目标放入摄像头画面；
  4. 按住绿色的“按住即可录制”按钮；
  5. 从不同角度、位置、距离和光照条件下重复采集；
  6. 切换到下一个类别并重复上述操作。

采集时不要始终保持完全相同的背景和构图，否则模型可能错误地学习背景特征，而不是目标本身。

导入已有数据集​

如果已经准备好训练数据，可以点击“导入数据集”并按页面提示上传。

可以选择只导入一个类别，也就是在这个类别旁边的三个点中点击后选择导入即可。

也导入一整个模型使用的数据集，但是要求压缩为zip文件之前，是已经把各个类别的数据统一按照需要的class_name命名文件夹，一起压缩为一个zip文件，然后导入，系统会自动分配。

整理数据时，建议做到：

  • 每张图像只表达一个明确类别；
  • 删除模糊、严重遮挡和类别错误的图像；
  • 各类别的样本数量尽量接近；
  • 数据中应包含真实部署环境可能出现的变化；
  • 训练样本不要全部来自同一段连续视频的相邻帧。

导出或清空数据集​

  • 点击“导出数据集”，可以备份当前已采集的数据；
  • 点击“清空”，可以移除当前训练任务中的样本并重新开始。

清空操作可能无法撤销，建议先导出数据集进行备份。

如何采集更高质量的数据​

模型效果在很大程度上取决于训练数据。建议每个类别采集多样化样本，而不是只追求数量。

保持类别数量相对均衡​

如果某一类别有大量样本，而其他类别只有少量样本，模型可能更倾向于输出样本最多的类别。

覆盖真实使用环境​

样本应尽量覆盖：

  • 不同光照：白天、夜晚、逆光、弱光；
  • 不同角度：正面、侧面、俯视、仰视；
  • 不同距离：近距离、中距离、远距离；
  • 不同位置：画面中央、边缘和角落；
  • 不同背景：简单背景和复杂背景；
  • 不同状态：轻微遮挡、姿态变化和外观差异。

增加负样本或背景类别​

如果实际画面中经常出现“不属于任何目标类别”的情况，可以根据业务需要增加 Background、Other 或“无目标”类别，降低模型在无目标画面中强行输出某个目标类别的概率。

避免数据泄漏​

用于测试的图像应与训练图像有所不同。不要只用训练时已经出现过的画面判断模型是否有效。

第四步：训练模型​

完成样本采集后，进入“第二步：模型训练”。

  1. 检查每个类别是否都有足够且有效的样本；
  2. 在设备下拉菜单中选择 reCamera；
  3. 如有需要，可展开“高级设置”查看当前页面提供的训练选项；
  4. 点击“开始训练”；
  5. 等待训练完成，不要在训练过程中关闭页面或清空数据。

训练时间会受到类别数量、样本数量、训练配置和服务状态等因素影响。

首次使用时，建议先采用默认训练配置完成一个基线模型。确认数据和流程正确后，再根据实际效果调整高级设置。

第五步：预览和验证模型​

训练完成后，可以在“第三步：部署与预览”区域选择刚刚生成的模型。模型也会出现在页面下方的“历史模型”中。

测试时建议：

  1. 使用未参与训练的新图像或实时摄像头画面；
  2. 分别测试每一个类别；
  3. 改变目标角度、距离、位置和环境光照；
  4. 观察预测类别及置信度是否稳定；
  5. 测试无目标画面和容易混淆的场景；
  6. 记录误判和漏判样本，用于下一轮训练。

如果模型在训练样本上表现很好，但换一个背景或角度就无法正确识别，通常说明数据多样性不足，而不是简单地需要更多相似样本。

第六步：部署到 reCamera​

训练完成并通过预览验证后，可以在部署区域选择对应模型，并按照页面引导部署到 reCamera。

有两种方式可以选择部署到recamera设备中，按照自己的需求选择即可。

部署前请确认：

  • reCamera 已正常联网并处于在线状态；
  • 设备已经绑定到当前 SenseCraft AI 账号；
  • 选择的是本次训练生成的正确模型；
  • 设备当前任务允许更新或切换模型。

部署完成后，浏览器会跳转到对应的设备界面，可以实时查看模型的运行状态。

这里选择的是通过usb线连接的reCamera设备的部署方式，会自动跳转到设备的默认ip地址192.168.42.1中，预览模型的检测结果

使用历史模型​

页面下方的“历史模型”用于查看之前完成的训练任务。需要使用旧模型时，可以展开历史模型列表并选择对应记录进行预览或部署。

为了便于管理多次训练结果，建议在项目记录中保存：

  • 训练日期；
  • 类别列表；
  • 各类别样本数量；
  • 数据集版本；
  • 主要训练设置；
  • 测试结果；
  • 对应的部署设备。

常见问题​

浏览器没有显示摄像头画面​

  • 检查浏览器是否已获得摄像头权限；
  • 确认摄像头没有被其他应用独占；
  • 在输入源下拉菜单中重新选择摄像头；
  • 刷新页面后重新授权；
  • 尝试使用最新版本的 Chrome 或 Edge。

模型总是预测同一个类别​

常见原因包括类别样本不均衡、某个类别数据过多、其他类别特征不明显，或者训练图像中存在固定背景。建议补充弱势类别样本，并确保各类别的采集条件具有可比性。

训练准确率高，但实际效果不好​

这通常意味着训练数据过于单一，或者测试图像与训练图像太相似。应补充真实部署环境中的不同角度、距离、背景和光照条件，并使用全新的图像进行测试。

两个类别容易混淆​

检查类别定义是否清晰，并重点补充能够体现两类差异的样本。同时删除标签错误、目标不明确或同时包含多个类别特征的图像。

无目标时仍然输出某个类别​

分类模型通常会从已有类别中选择最可能的一类。可以增加“背景”或“其他”类别，并结合置信度阈值在应用端过滤不可靠结果。

找不到刚训练的模型​

  • 确认训练任务已经完成；
  • 展开“历史模型”查看；
  • 确认当前登录的是创建该模型的账号；
  • 刷新页面后再次检查。

无法部署到 reCamera​

  • 确认设备在线并已绑定到当前账号；
  • 检查设备网络连接；
  • 确认选择了与目标设备兼容的模型；
  • 避免在设备执行其他更新任务时重复部署。
  • 确保recamera设备的运行环境正常，也就是web配置界面可以正常使用。

推荐的迭代流程​

一个可靠的分类模型通常需要多轮迭代：

  1. 使用少量但均衡的数据训练第一个模型；
  2. 使用新场景测试并记录错误结果；
  3. 将具有代表性的误判场景补充到正确类别；
  4. 清理错误标签和重复度过高的样本；
  5. 重新训练并进行相同条件下的对比测试；
  6. 效果满足要求后部署到 reCamera；
  7. 在真实环境中持续收集困难样本并更新模型。

最佳实践检查表​

训练前：

  • 类别定义明确且不存在明显重叠；
  • 每个类别都有训练样本；
  • 各类别样本数量大致均衡；
  • 样本覆盖不同角度、距离、背景和光照；
  • 已删除模糊图像和错误标签；
  • 已根据业务需要准备背景或其他类别；
  • 重要数据集已经导出备份。

部署前：

  • 已使用未参与训练的新画面进行测试；
  • 已测试全部类别和无目标场景；
  • 已检查容易混淆的类别；
  • reCamera 已联网并绑定到当前账号；
  • 已确认模型和目标设备正确；
  • 已计划在真实安装环境中进行二次验证。

技术支持与产品讨论​

感谢您选择我们的产品！我们在这里为您提供不同的支持，以确保您使用我们产品的体验尽可能顺畅。我们提供多种沟通渠道，以满足不同的偏好和需求。

Loading Comments...