C✳CODEZ.WIN
🌐 Deutsch

Lokalisierter Leseleitfaden

huggingface-vision-trainerZweck, Verwendung und Quelle

Trainiert und optimiert Bildverarbeitungsmodelle zur Objekterkennung (D-FINE, RT-DETR v).2, DETR, YOLOS), Bildklassifizierung (Timm-Modelle – MobileNetV3MobileViT, ResNet,ViT/DINOv3— plus jeder Transformers-Klassifikator), undSAM/SAM2Segmentierung mithilfe von Hugging Face Transformers auf Hugging Face Jobs Cloud-GPUs. Beinhaltet die Vorbereitung des COCO-Format-Datensatzes, die Albumentations-Augmentierung,mAP/mAREvaluierung, Genauigkeitsmetriken, SAM-Segmentierung mitbbox/pointEingabeaufforderungen, DiceCE-Verlust, Hardwareauswahl, Kostenschätzung, Trackio-Überwachung und Hub-Persistenz. Verwendung, wenn Benutzer Trainingsobjekterkennung, Bildklassifizierung, SAM, SAM erwähnen.2, Segmentierung, Bildmatting, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, Begrenzungsboxmodelle oder Feinabstimmung von Bildverarbeitungsmodellen auf Hugging Face Jobs.

Quelle abgerufen:

Quell-Repository
huggingface/skills
SKILL.md
skills/huggingface-vision-trainer/SKILL.md
Repository-Sterne
11,241
Repository zuletzt aktualisiert
2026-10-30
Fähigkeitskategorien
Design
Letzte Datenerfassung

Lizenz: Apache-2.0

Original SKILL.md

Die Workflow-Auszüge dienen als Lesehilfe und sind keine ausführbaren Anweisungen von Codez. Für die Erstellung dieser Seite wurde keine Drittanbieter-Skill verwendet.

Die folgenden Abschnitte zu Zweck und Arbeitsablauf sind vorgelagertes Material, das zur besseren Lesbarkeit aufbereitet und übersetzt wurde. Sie unterscheiden sich von der separat gekennzeichneten redaktionellen Analyse von Codez.

Was diese Fähigkeit bewirkt

Trainiert und optimiert Bildverarbeitungsmodelle zur Objekterkennung (D-FINE, RT-DETR v).2, DETR, YOLOS), Bildklassifizierung (Timm-Modelle – MobileNetV3MobileViT, ResNet,ViT/DINOv3— plus jeder Transformers-Klassifikator), undSAM/SAM2Segmentierung mithilfe von Hugging Face Transformers auf Hugging Face Jobs Cloud-GPUs. Beinhaltet die Vorbereitung des COCO-Format-Datensatzes, die Albumentations-Augmentierung,mAP/mAREvaluierung, Genauigkeitsmetriken, SAM-Segmentierung mitbbox/pointEingabeaufforderungen, DiceCE-Verlust, Hardwareauswahl, Kostenschätzung, Trackio-Überwachung und Hub-Persistenz. Verwendung, wenn Benutzer Trainingsobjekterkennung, Bildklassifizierung, SAM, SAM erwähnen.2, Segmentierung, Bildmatting, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, Begrenzungsboxmodelle oder Feinabstimmung von Bildverarbeitungsmodellen auf Hugging Face Jobs.

Wie der vorgelagerte Workflow funktioniert

Automatische Bbox-Vorverarbeitung

Das Trainingsskript für die Objekterkennung (scripts/object_detection_training.py) übernimmt automatisch die Erkennung des Bounding-Box-Formats (xyxy→xywh-Konvertierung), die Bereinigung der Bounding Box,image_idGenerierung, Umwandlung von Zeichenketten in Ganzzahlen und Datenkürzung. Keine manuelle Vorverarbeitung erforderlich – stellen Sie lediglich sicher, dass der Datensatz …objects.bboxUndobjects.categorySpalten.

Aufwärtspassage · L113 ↗

Schulungsablauf

Kopieren Sie diese Checkliste und verfolgen Sie den Fortschritt: Schritt1Überprüfen Sie die Voraussetzungen. Folgen Sie der obigen Checkliste für Voraussetzungen. Schritt2: Datensatz validieren

Aufwärtspassage · L117 ↗

Schnellstart – Objekterkennung

Derscript_argsDie folgenden Anweisungen gelten für beide Übermittlungsmethoden. Siehe Direktive Nr.1wegen der entscheidenden Unterschiede zwischen ihnen.

Aufwärtspassage · L365 ↗
Aufwärtspassage · bash ↗
uv run scripts/dataset_inspector.py --dataset username/dataset-name --split train
uv run scripts/estimate_cost.py --help

Anforderungen und Einrichtung

Checkliste der Voraussetzungen

Bevor Sie mit einer Schulungstätigkeit beginnen, überprüfen Sie Folgendes:

Aufwärtspassage · L35 ↗

Anforderungen an den Datensatz – Objekterkennung

Der Datensatz muss auf dem Hub vorhanden sein. Die Annotationen müssen dieobjectsSpalte mitbbox,category(und optionalarea) Untergebiete

Aufwärtspassage · L45 ↗

Grenzwerte und Qualitätskontrollen

Aus dieser Datei wurde kein separater Grenzwertabschnitt ausgewählt. Dies bedeutet nicht, dass die Anwendung für jede Eingabe oder Umgebung geeignet ist. Überprüfen Sie den vollständigen Quellcode und validieren Sie Ihr Ergebnis selbst.

Beginnen Sie mit einem sicheren Testlauf

  1. Prüfen Sie den unterstützten Host und die Installationsanweisungen für das Repository. Halten Sie das Skill-Verzeichnis und die darin enthaltenen Skripte, Assets und Dokumentationen zusammen;SKILL.mdEine Einzelperson kann Abhängigkeiten außer Acht lassen.
  2. Geben Sie dem Agenten Ihre tatsächlichen Eingaben, die gewünschten Ausgaben und die Akzeptanzkriterien an. Aufrufsyntax und verfügbare Tools hängen vom Hostsystem ab; diese Website geht nicht von einem universellen Installationsbefehl aus.
  3. Testen Sie den Quellworkflow in einem temporären Projekt oder auf einer Kopie. Überprüfen Sie Vorgänge, die Dateien, Remote-Dienste oder abrechnungsfähige Ressourcen ändern, bevor Sie diese zulassen.
  4. Überprüfen Sie die Ausgabe anhand der Quellqualitätsprüfungen und Ihrer eigenen Anforderungen. Ein erfolgreicher Trigger oder eine hohe Anzahl von Sternen im Repository garantiert kein korrektes Ergebnis.

Spezifikation des Kompetenzformats und des Verzeichnisses ↗

Lesen Sie mehr dazu in der Quelle.

Übersetzung und Umfang

Dieser Leseleitfaden wählt Passagen aus dem markierten stromaufwärts gelegenen Abschnitt aus.SKILL.mdDie Übersetzung wurde unterstützt. Es handelt sich weder um ein vollständiges Handbuch noch um eine Garantie für geprüfte Kompatibilität. Lesen Sie vor der Verwendung das Original und die darin referenzierten Dateien.

Diese Einleitung bezieht sich auf die unten angepinnte Version; die aktuelle Repository-Aktivität und der Erfassungszeitpunkt werden separat angezeigt.

Angeheftete Quelle
Lesen Sie das Original ↗
Quelle abgerufen
Source-Commit
fabc634a893f62ad5c2039830397efa35fa62715
Quelle SHA-256
c7aba4de75fa6595ffdaf5c50136786e8346aba0c9ff0261eaee656af4a3b0d9
Zurück zum vollständigen Kompetenzkatalog