CV大模型训练流程与选择建议
CV大模型训练流程介绍
目前，CV大模型支持微调训练。
- 预训练阶段：通过在大规模通用数据集上训练，使模型学习到通用视觉特征，使得模型在面对不同类型的图像数据时，能够快速捕捉到关键信息，提升了模型的训练效率和泛化能力。
- 微调阶段：微调阶段通过在特定领域的数据集上进一步训练，使模型能够更有效地应对具体的任务需求。在微调过程中，通过设定训练指标来监控模型的表现，确保其达到预期的效果。完成微调后，将对用户模型进行评估并进行最终优化，以确保满足业务需求，然后将其部署和调用，用于实际应用。
CV大模型选择建议
选择合适的CV大模型类型有助于提升训练任务的准确程度。您可以根据模型适用场景，选择合适的模型，从而提高模型的整体效果，详见表1。
|
模型名称 |
适用场景 |
说明 |
|---|---|---|
|
Pangu-CV-物体检测-S-2.1.0 |
盘古计算机视觉物体检测大模型，该模适用的任务是找出图像中所有感兴趣的目标，确定它们的位置和类别。适用于如积水检测、占道经营检测、人员离岗检测、动植物检测、工业缺陷检测等任务。 |
S模型特点是小参数量，适合在资源有限的环境中使用，提供较快的检测速度和合理的精度。支持全量微调，在线推理，边缘推理。 |
|
Pangu-CV-物体检测-N-2.1.0 |
该模型属于物体检测模型，旨在识别图像中的所有感兴趣目标，定位其位置并确定其类别。适用于各种任务，如：积水检测、占道经营检测、人员离岗检测、动植物检测、工业缺陷检测等。 |
2024年12月发布的版本，支持全量微调、在线推理。 物体检测-N模型为中参数量模型，在保证计算效率的同时，具备较强的特征识别能力，提供高效的性能表现。 |
|
Pangu-CV-图像分类-2.1.0 |
盘古计算机视觉图像分类大模型，根据在图像信息中所反映的不同特征，把不同类别的图像区分开来的图像处理方法，利用计算机视觉技术对图像进行定量分析，把图像划归为若干个类别中的一种或多种。适用于动植物分类、车辆类型分类、车牌分类、废钢定级、零部件分类等任务。 |
支持全量微调，在线推理，边缘推理。 |
|
Pangu-CV-物体检测-S-3.1.0 |
盘古计算机视觉物体检测大模型，该模适用的任务是找出图像中所有感兴趣的目标，确定它们的位置和类别。适用于如积水检测、占道经营检测、人员离岗检测、动植物检测、工业缺陷检测等任务。 |
S模型特点是小参数量，适合在资源有限的环境中使用，提供较快的检测速度和合理的精度。支持全量微调，在线推理，边缘推理，1卡起训，1卡部署。 |
|
Pangu-CV-实例分割-1.1.0 |
盘古计算机视觉实例分割大模型，可以检测输入图像中的目标，并为每个目标像素分配类别标签。实例分割能够对前景语义类别相同的不同实例进行区分。 |
支持全量微调，在线推理，边缘推理，1卡起训，1卡部署。 |
|
Pangu-CV-语义分割-2.1.0 |
将数字图像细分为多个图像子区域，适用于车道分割、建筑分割、选煤厂筛面状态识别等任务 |
支持全量微调，在线推理，边缘推理，1卡起训，1卡部署。 |
