【实例分割】专业模式¶

本项目以 "水果识别" 为案例，带领用户在专业模式下完成实例分割任务。通过该案例，不仅能够学习基本流程（数据设置、数据标注、模型训练），还可以进一步体验专业模式中的进阶功能，如自定义训练参数、观察训练曲线、调整数据增强策略等，从而更精细地掌控模型训练过程并不断优化模型效果。当模型训练完成后，系统即可对新图像中的水果进行准确分割与识别。实例分割-专业模式

本项目以 “水果识别” 为案例，带领用户在专业模式下完成实例分割任务。通过该案例，不仅能够学习基本流程（数据设置、数据标注、模型训练），还可以进一步体验专业模式中的进阶功能，如自定义训练参数、观察训练曲线、调整数据增强策略等，从而更精细地掌控模型训练过程并不断优化模型效果。当模型训练完成后，系统即可对新图像中的水果进行准确分割与识别。

效果：系统可以在上传的图片或摄像头画面中，对水果进行实时识别和分割，并用不同颜色掩膜框标记出苹果、香蕉、梨等轮廓，直观展示分割结果。
效果展示：

模式切换¶

打开 Mind+，在菜单栏中选择 “新建项目”，然后点击 “模型训练”。在训练选项中找到 “实例分割（M3）” 并点击，即可完成项目创建。

在界面右上角点击 “专业模式” 以切换模式。切换成功后，菜单栏将新增以下功能模块：数据设置、标注设置、模型训练、模型校验和模型部署。

数据设置¶

切换到 “数据设置” → 点击左上角 “创建数据集”，例如创建一个名为水果识别的数据集。

切换到专业模式后，数据集列表中会默认显示一个 “Experience” 数据集，该数据集由快速体验模式生成。用户可以对新建数据集执行以下操作：标注、复制、导入数据、导出以及删除。

注意：默认数据集不可删除。

接下来，为新建的水果识别数据集执行 “导入数据” 操作。系统支持两种导入方式：有标注数据和无标注数据。
导入方式1：无标注数据导入
适用于仅上传原始图片的情况（如苹果、梨、香蕉混合在一起的图片，且每种类别图片数量不低于20张）。
操作步骤：选择导入类型为 “无标注数据” → 点击 “点击上传” → 从本地选择图片 → 点击“确认”完成导入。

导入方式2：有标注数据
直接上传 YOLO 格式的已标注数据（.zip 压缩包）。
按照平台要求组织文件夹结构，上传后无需手动标注，直接跳转到模型训练。
注意：有标注数据的分类名称需使用英文，否则上传后标签可能出现乱码。

标注设置¶

水果图片导入成功后，标注进度栏会同步显示已导入的图片数量及对应的标注数量。

在“操作”栏中点击 “标注”，进入水果识别的标注设置界面。

按照界面提示完成标签创建（苹果、梨、香蕉），用于标注不同类别的水果。

下面为数据集进行标注。操作时，先点击对应的标签名，再沿图形边缘描绘形成闭合轮廓。

数据集样本标注注意事项：

标注过程中，需要将数据集中所有图片样本逐一完成标注。
如果一张图片中有多个图形，需要为每一个图形都进行标注。

模型训练¶

所有图片都标注完成后，切换到“模型训练”功能模块。

点击 “创建训练任务”，在弹出的窗口中进行如下设置：
名称：水果识别模型（根据需求自行命名）
模型：根据自己需求进行选择（也可保持默认）
训练类型：根据自己需求进行选择（也可保持默认）
数据集：交通标志识别（在数据设置中，我们已创建并命名数据集 “水果**识别”**；在标注设置中，也完成了图片的标注与整理。至此，数据已具备训练所需的完整结构。接下来进入模型训练阶段，系统将基于该数据集对图片进行特征提取与模式学习，从而逐步具备对转向标志进行分类识别的能力。所以，这里的数据集必须选择水果识别。）
训练比例：根据自己需求进行选择（也可保持默认）

创建任务参数	作用	说明
名称	仅用于区分和管理不同的训练任务，不会影响模型性能。	相当于给这次实验取一个名字，方便后续查看和比较。
模型	决定使用哪一种神经网络结构来训练。	不同的模型有不同的“学习方式”和“理解能力”。比如，有的模型适合处理小型数据集，有的模型更适合复杂的分类任务。
训练类型	确定训练的方式，比如是分类、回归还是检测。	告诉模型“你要学会干什么”。
数据集	告诉模型要从哪些数据中学习。	相当于教材，模型会从这个数据集的图片和标签里，学习如何识别不同交通标志。
训练比列	决定数据集中多少比例用来训练，多少比例用来验证。	训练集 = 模型学习用的例子验证集 = 检查模型学习效果的例子（模型没见过的图片）

模型训练任务创建成功后，点击“参数设置”进入训练参数配置界面。你可以根据需要调整参数，也可以直接使用默认设置开始训练。
基础参数设置：图片大小、批次大小、训练轮次
高级参数设置：保存频率、随机上下翻转概率、随机左右翻转概率、优化器等

高级参数	说明	说明
保存频率	指训练时模型保存的间隔，防止训练过程中意外中断导致数据丢失。	保存频率 = 5 → 每 5 轮训练保存一次模型。保存频率 = -1 → 不自动保存，只留最后一个模型。
随机上下翻转	指对图像进行数据增强时，系统会随机决定是否把图像沿着水平中轴线（上下方向）翻转，让模型学会识别不同方向的图像。	概率 = 0 → 永远不会翻转（等于没开启这个增强）。一只猫的照片，随机上下翻转后就是头朝下、脚朝上的样子。对于一些任务（比如人脸识别），上下翻转可能会破坏特征，所以一般要根据实际任务决定要不要用。
随机左右翻转	指对图像进行水平翻转，就是镜像处理。	概率 = 0 → 永远不会翻转。苹果的图片，左右翻转后变成苹果从左往右变成从右往左。

点击“训练”，开始进行模型训练。

模型训练过程中，可通过“训练监测”窗口，查看相关数据。
训练损失（train loss）：训练损失是模型在**训练数据**上的预测误差，损失越小，说明模型对训练数据的预测越准确。
验证损失（val loss）：验证损失是模型在**验证数**（未用于训练的数据）上的预测误差，验证损失持续下降，模型泛化能力在提升。
验证集平均精度（Val mAP50）：表示在验证集上，当预测框和真实框的重叠率大于一半（50%）时，预测才算正确。数值越高，说明模型识别得越准。

模型训练完成后，可在操作栏对已训练的模型执行删除、导出或查看训练结果等操作。

模型校验¶

切换到“模型校验”功能模块，选择训练项目为：水果识别模型；选择模型为：best.pt。其余参数根据需求进行设置，直接使用默认参数也可以。

文件	保存时机	代表意义	使用场景
last.pt	训练过程中的最后一次保存的模型	训练完成的最终状态	继续训练/微调
best.pt	训练过程中在验证集上表现最好的模型	模型验证性能最佳	测试/部署

型校验支持两种方式：摄像头实时测试、单张图片测试。
**摄像头实时测试：**通过摄像头实时识别水果，并对识别的水果生成掩膜，覆盖水果轮廓。

**单张图片测试：**上传一张图片进行识别验证。

如果对模型效果不满意，可以在“模型训练”功能模块中，重新创建任务，调整参数后再次训练模型，以进一步提升识别效果。

模型部署¶

模型测试结果符合需求时，切换到 “模型部署”功能模块：
可根据需求导出、转换或上传模型。
平台支持导出为 ONNX 格式，便于在其他应用环境或硬件设备中使用。

如需了解模型部署及实时结果推送的操作方法，可访问以下进行学习

常见问题¶

在使用专业模式进行实例分割任务时，如果遇到问题，可以先参考下表进行自查和排除。

问题	可能原因	解决方法
上传数据集时报错/无法识别	文件夹结构不符合 YOLO 格式，压缩包错误	按平台要求整理 `images`、`labels` 文件夹，并重新打包上传
导入无标注数据后数据集为空	图片格式不支持	使用 JPG/PNG 格式，确保每类样本 ≥20 张
识别效果差	标注边界不闭合或不精确	沿图像轮廓描绘闭合多边形，确保边界准确
分割不完整 / 识别不准	训练样本不够多样化，未启用增强	增加不同环境下的样本，开启数据增强

【实例分割】 专业模式¶