4.2.3 【实例分割】快速体验

实例分割的快速体验操作步骤以"几何图形分割"为例，带领大家学习实例分割模型的训练流程。该案例主要演示实例分割在实际应用中的效果：模型不仅能够识别图片中的三角形或长方形，还能为每一个目标生成掩膜（Mask），准确标出图形的轮廓和位置。通过这种方式，用户可以直观地看到模型对图中每个对象的独立识别结果，从而理解实例分割与普通图像分类的区别，并感受其在现实场景中的应用价值。例分割-快速体验

实例分割的快速体验操作步骤以”几何图形分割“为例，带领大家学习实例分割模型的训练流程。该案例主要演示实例分割在实际应用中的效果：模型不仅能够识别图片中的三角形或长方形，还能为每一个目标生成掩膜（Mask），准确标出图形的轮廓和位置。通过这种方式，用户可以直观地看到模型对图中每个对象的独立识别结果，从而理解实例分割与普通图像分类的区别，并感受其在现实场景中的应用价值。

效果：模型能够在摄像头捕获的图像以及上传的图片中，用掩膜框标出三角形和长方形，并显示相应的标签名称。
效果展示

实例分割模型训练实现过程分为五个步骤：

新建项目 —— 创建实例分割项目；
添加图片样本并标注 —— 采集或上传图片样本，并对目标进行标注，并生成掩膜（Mask），确保轮廓准确。
训练模型 —— 通过平台训练得到实例分割模型；
模型校验 —— 测试模型，查看掩膜效果和识别准确率；
模型导出 —— 模型训练完成后，将其导出并部署到硬件设备，实现本地运行与应用。同时，用户还可以选择将模型的识别结果实时推送到SIoT平台，便于远程监测与管理。

步骤1：新建项目¶

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。

项目创建成功后，会跳转到新的实例分割快速体验界面。

步骤2：添加图片样本并标注¶

在当前数据集中，可以通过摄像头采集或本地上传两种方式添加图片样本。
**摄像头采集：**适合现场拍摄，快速获取实时图像，方便在实验过程中直接收集数据。
**本地上传：**适合导入已准备好的图片素材，便于批量添加和管理现有数据。本地上传又分为无标注数据与有标注数据。

为了保证实例分割模型训练效果，请确保数据集样本满足以下要求，包括每类样本数量、目标清晰度、标注完整性、背景光照。

类别	要求	说明
样本数量	每类至少 20 张	每个类别至少提供 20 张图片样本；目标形状或颜色多样时建议增加样本，以覆盖更多情况；
类别平衡	各类别数量尽量接近	各类别样本数量差异过大可能导致模型偏向数量多的类别，建议保持平衡，例如三角形 20 张、长方形 20 张。
目标清晰度	图中目标清晰可见	确保目标完整、清晰，不模糊或被遮挡；小目标或形状复杂目标需保证标注时可准确描绘轮廓；
标注完整	每个目标都需标注，轮廓闭合	每张图片中所有目标都必须标注，轮廓要闭合；多目标图片需为每个目标单独标注，否则生成掩膜（Mask）会出错。
背景与光照	背景简单、光照均匀	背景尽量干净，减少干扰物，光照均匀避免过暗或过曝，以提高模型训练准确性。

添加方式1：摄像头采集
点击摄像头，将摄像头对准目标，可通过预览框，查看摄像头采集到的画面是否有效，按“录制”进行样本采集。
图片样本采集完成后，点击“×”退出采集画面。
如果台式机没有摄像头，可通过外接USB摄像头。
在采集样本数据时，可通过“设置”按钮，设置摄像头的采集帧率（每秒采集的图片数，数值越高采集越快）。
注意：FPS太高，采集的画面差异过小，对训练的用处不是很大。

添加方式2：本地上传
本地上传分为无标注数据和有标注数据两种：
无标注数据：仅上传图片样本，后续需要手动对图中目标进行标注。适合本案例学习流程。
有标注数据：图片样本已经完成标注，并生成了对应的掩膜，可以直接用于模型训练，无需再次标注。
上传-无标注数据
点击 “上传” 按钮，在 “导入数据类型” 中选择无标注数据，然后点击 “选择文件上传”，在本地文件夹中找到已准备好的图片样本，全选后上传到数据集，这样就完成了无标注数据的添加。

上传-有标注数据
点击 “上传” 按钮，在 “导入数据类型” 中选择有标注数据，然后点击 “选择文件上传”，在本地文件夹中找到已准备好YOLO格式数据集文件（.zip），这样就完成了有标注数据的添加。

有标注数据上传成功后，不需要在手动进行数据标注，直接开始步骤3的操作，开始训练模型。

点击“数据标注”，按照提示创建三角形和长方形两个标签。

接下来为数据集进行标注。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。

步骤3：训练模型¶

完成数据集中所有图片的标注后，设置训练参数，并点击“训练模型”开始训练。

参数	参数说明	类别说明	推荐设置
批次大小	一次送入模型里训练的数据样本数量。当数据很多时，一次把数据都送进去，计算机算不过来，因此就分成一批一批来学习。例如，默认批大小为16，每次训练用16张图片。	每次学习多少内容	批次大小：16（默认即可）
训练轮次	所有训练数据完整地送入模型学习一遍，叫做一轮。学习一遍可能会不够牢固，要重复多次训练才能记住规律。例如，默认训练轮次为100，模型会将数据集从头到尾学习100遍。推荐训练轮次为20次以上。	学几遍	训练轮次：20（小数据集可以将训练轮次适当减小）
优化器	优化器时用于决定模型在训练过程中如何更新参数，也就是每次学习之后，要往哪个方向走，走多少步。优化器决定了模型训练的效率和效果。	学习的方法（死记硬背？归纳总结？举一反三？）	优化器：auto（默认即可）

在训练模型过程中，可通过点击“深入了解”按钮，查看训练监测相关数据。
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 验证数据（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。

步骤4：模型校验¶

模型训练完成后，可以通过校验区，检验模型效果。校验的方式分为两种：摄像头、文件。
检验方式1：摄像头
将摄像头对着三角形与长方形的图像，看看输出的结果。

校验方式2：文件
修改检验方式为“文件”，点击“上传文件”，选择一张图片并打开。

图片上传成功后，输出识别结果。

步骤5：模型导出¶

当模型校验结果满足需求时，就可以进入部署阶段。
“部署” → 点击 “导出模型”。
平台支持将模型导出为 ONNX 格式，便于在其他环境中使用或进行二次开发。

小提示：ONNX 是一种开放的模型格式，可以在多种深度学习框架和设备上运行。这样，你不仅可以在平台上测试，还能把模型应用到真实项目中。

步骤6：模型部署¶

方法一：参考4.1.4 模型部署

适用：支持硬件部署的模型（如行空板M10/K10），如图像分类、目标检测等模型。

方法二：参考4.1.5 实时结果推送

适用：暂不支持硬件部署的模型，如语音识别、文本分类等模型。

模型训练常见问题¶

问题	可能原因	解决方法
目标识别不准确	目标模糊、遮挡或光照不均	确保目标清晰完整，光照均匀；必要时增加样本数量
标注错误或不完整	轮廓未闭合，漏标或重复标注	标注时沿目标边缘形成闭合轮廓，逐一标注每个目标
类别不平衡导致模型偏向	某类别样本数量过少或过多	保持各类别样本数量接近，必要时增加少数类别样本
训练时间过长	批次大小过大或训练轮次过多	调整批次大小和训练轮次，可减少训练轮次

4.2.3 【实例分割】 快速体验