Guide de lecture localisé
huggingface-vision-trainerObjectif, utilisation et source
Entraîne et affine les modèles de vision pour la détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS), classification d'images (modèles timm — MobileNetV3, MobileViT, ResNet,ViT/DINOv3— plus tout classificateur Transformers), etSAM/SAM2Segmentation utilisant Hugging Face Transformers sur les GPU du cloud Hugging Face Jobs. Couvre la préparation du jeu de données au format COCO, l'augmentation des données par Albumentations,mAP/mARévaluation, mesures de précision, segmentation SAM avecbbox/pointinvites, perte DiceCE, sélection du matériel, estimation des coûts, surveillance Trackio et persistance du Hub. À utiliser lorsque les utilisateurs mentionnent la détection d'objets d'entraînement, la classification d'images, SAM, SAM2, segmentation, détourage d'images, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, modèles de boîtes englobantes ou ajustement fin des modèles de vision sur Hugging Face Jobs.
Source récupérée:
- Dépôt source
- huggingface/skills
- SKILL.md
skills/huggingface-vision-trainer/SKILL.md- Étoiles du dépôt
- 11,241
- Mise à jour du dépôt
- 2026-10-30
- Catégories de capacités
- Conception
- Dernière collecte
Licence : Apache-2.0
Les extraits de flux de travail sont des outils de lecture et non des instructions exécutables de Codez. Aucune compétence tierce n'a été utilisée pour générer cette page.
Les passages relatifs à l'objectif et au flux de travail ci-dessous constituent le contenu original, organisé et traduit pour la lecture. Ils sont distincts de l'analyse éditoriale de Codez, qui est étiquetée séparément.
À quoi sert cette compétence ?
Entraîne et affine les modèles de vision pour la détection d'objets (D-FINE, RT-DETR v2, DETR, YOLOS), classification d'images (modèles timm — MobileNetV3, MobileViT, ResNet,ViT/DINOv3— plus tout classificateur Transformers), etSAM/SAM2Segmentation utilisant Hugging Face Transformers sur les GPU du cloud Hugging Face Jobs. Couvre la préparation du jeu de données au format COCO, l'augmentation des données par Albumentations,mAP/mARévaluation, mesures de précision, segmentation SAM avecbbox/pointinvites, perte DiceCE, sélection du matériel, estimation des coûts, surveillance Trackio et persistance du Hub. À utiliser lorsque les utilisateurs mentionnent la détection d'objets d'entraînement, la classification d'images, SAM, SAM2, segmentation, détourage d'images, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, modèles de boîtes englobantes ou ajustement fin des modèles de vision sur Hugging Face Jobs.
Comment fonctionne le flux de travail en amont
Prétraitement automatique des boîtes englobantes
Le script d'entraînement à la détection d'objets (scripts/object_detection_training.py) gère automatiquement la détection du format bbox (conversion xyxy→xywh), la désinfection bbox,image_idGénération, conversion de chaînes de caractères en entiers et troncature des données. Aucun prétraitement manuel n'est nécessaire : assurez-vous simplement que l'ensemble de données possèdeobjects.bboxetobjects.categorycolonnes.
Flux de travail de formation
Copiez cette liste de contrôle et suivez les progrès : Étape1Vérifiez les prérequis. Suivez la liste de vérification des prérequis ci-dessus. Étape2: Valider l'ensemble de données
passage en amont · L117 ↗Démarrage rapide — Détection d'objets
Lescript_argsLes informations ci-dessous sont identiques pour les deux méthodes de soumission. Voir la directive n°1pour les différences critiques entre eux.
uv run scripts/dataset_inspector.py --dataset username/dataset-name --split train
uv run scripts/estimate_cost.py --helpConfiguration requise
Liste de vérification des prérequis
Avant de commencer toute formation, vérifiez :
passage en amont · L35 ↗Exigences relatives aux ensembles de données — Détection d'objets
L'ensemble de données doit exister sur le Hub. Les annotations doivent utiliser leobjectscolonne avecbbox,category(et éventuellement)area) sous-champs
Limites et contrôles de qualité
Aucun passage de limite distinct n'a été sélectionné dans ce fichier. Cela ne signifie pas que la compétence est sûre pour toutes les entrées ou tous les environnements. Consultez le code source complet et validez vos résultats.
Commencez par un essai sans danger
- Vérifiez l'hôte pris en charge et les instructions d'installation du dépôt. Conservez le répertoire Skill ainsi que ses scripts, ressources et documentation référencés ;SKILL.mdSeul, il peut omettre les dépendances.
- Indiquez à l'agent vos paramètres d'entrée réels, le résultat souhaité et les critères d'acceptation. La syntaxe d'appel et les outils disponibles dépendent du système hôte ; ce site ne propose pas de commande d'installation universelle.
- Testez le flux de travail source dans un projet temporaire ou sur une copie. Avant d'autoriser les opérations qui modifient des fichiers, des services distants ou des ressources facturables, examinez-les attentivement.
- Vérifiez la conformité du résultat avec les contrôles qualité sources et vos propres exigences. Un déclenchement réussi ou un nombre élevé d'étoiles dans le dépôt ne garantissent pas un résultat correct.
Pour en savoir plus, consultez la source.
- Formation sur le modèle de vision pour les emplois axés sur le câlin
- Quand utiliser cette compétence
- Compétences connexes
- Exécution de script local
- Liste de vérification des prérequis
- Compte et authentification
- Exigences relatives aux ensembles de données — Détection d'objets
- Exigences relatives aux ensembles de données — Classification d'images
- Exigences relatives aux ensembles de données —SAM/SAM2Segmentation
- Paramètres critiques
- Validation des ensembles de données
- L'inspecteur en charge de la gestion
- Résultats de lecture
- Prétraitement automatique des boîtes englobantes
- Flux de travail de formation
- Directives critiques
- 1Soumission d'offre d'emploi :
hf_jobsOutil MCP vs API Python - 2Authentification via les secrets de tâche + injection explicite de hub_token
- 3Attribut JobInfo
- 4. Indicateurs de formation requis et syntaxe booléenne de HfArgumentParser
- 5Gestion des délais d'expiration
- 6Surveillance Trackio
- Modèles de détection d'objets recommandés
- Modèles de classification d'images recommandés
- RecommandéSAM/SAM2modèles de segmentation
- Recommandations matérielles
- Démarrage rapide — Détection d'objets
- Clé OD
script_args - Circuit intégré clé
script_args - SAM clé
script_args
Compétences connexes
Traduction et étendue
Ce guide de lecture sélectionne des passages de l'amont épingléSKILL.mdCette traduction est assistée. Elle ne constitue pas un manuel complet et ne garantit pas une compatibilité testée. Veuillez lire le document original et les fichiers auxquels il fait référence avant utilisation.
Cette introduction fait référence à la version épinglée ci-dessous ; l’activité actuelle du dépôt et la durée de la collecte sont indiquées séparément.
- Source épinglée
- Lire l'original ↗
- Source récupérée
- Commit source
fabc634a893f62ad5c2039830397efa35fa62715- Source SHA-256
c7aba4de75fa6595ffdaf5c50136786e8346aba0c9ff0261eaee656af4a3b0d9