C✳CODEZ.WIN
🌐 한국어

현지화된 읽기 가이드

huggingface-vision-trainer목적, 사용법 및 출처

객체 탐지를 위한 비전 모델을 학습 및 미세 조정합니다(D-FINE, RT-DETR v).2, DETR, YOLOS), 이미지 분류(timm 모델 — MobileNetV3, 모바일비트, 레스넷,ViT/DINOv3— (그리고 모든 트랜스포머 분류기)SAM/SAM2Hugging Face Jobs 클라우드 GPU에서 Hugging Face Transformers를 사용한 세그멘테이션. COCO 형식 데이터셋 준비, Albumentations 증강 등을 다룹니다.mAP/mAR평가, 정확도 지표, SAM 세분화bbox/point프롬프트, DiceCE 손실, 하드웨어 선택, 비용 추정, Trackio 모니터링 및 허브 지속성. 사용자가 학습 객체 감지, 이미지 분류, SAM, SAM을 언급할 때 사용합니다.2분할, 이미지 매팅, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, 바운딩 박스 모델 또는 Hugging Face Jobs에서 비전 모델 미세 조정.

출처 검색됨:

소스 저장소
huggingface/skills
SKILL.md
skills/huggingface-vision-trainer/SKILL.md
저장소 Star
11,241
저장소 최근 업데이트
2026-10-30
능력 분류
설계
최근 수집 시간

라이선스: Apache-2.0

원본 SKILL.md

워크플로 발췌본은 이해를 돕기 위한 자료이며, Codez에서 제공하는 실행 가능한 명령어가 아닙니다. 이 페이지를 생성하는 데 타사 Skill은 사용되지 않았습니다.

아래의 목적 및 워크플로 관련 내용은 읽기 쉽도록 정리 및 번역된 상위 자료입니다. 이는 별도로 분류된 Codez 편집 분석과는 별개입니다.

이 스킬의 기능

객체 탐지를 위한 비전 모델을 학습 및 미세 조정합니다(D-FINE, RT-DETR v).2, DETR, YOLOS), 이미지 분류(timm 모델 — MobileNetV3, 모바일비트, 레스넷,ViT/DINOv3— (그리고 모든 트랜스포머 분류기)SAM/SAM2Hugging Face Jobs 클라우드 GPU에서 Hugging Face Transformers를 사용한 세그멘테이션. COCO 형식 데이터셋 준비, Albumentations 증강 등을 다룹니다.mAP/mAR평가, 정확도 지표, SAM 세분화bbox/point프롬프트, DiceCE 손실, 하드웨어 선택, 비용 추정, Trackio 모니터링 및 허브 지속성. 사용자가 학습 객체 감지, 이미지 분류, SAM, SAM을 언급할 때 사용합니다.2분할, 이미지 매팅, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, 바운딩 박스 모델 또는 Hugging Face Jobs에서 비전 모델 미세 조정.

업스트림 워크플로우 작동 방식

자동 바운딩 박스 전처리

객체 탐지 ​​학습 스크립트 (scripts/object_detection_training.py)는 바운딩 박스 형식 감지(xyxy→xywh 변환), 바운딩 박스 정제 등을 자동으로 처리합니다.image_id데이터셋 생성, 문자열 범주를 정수로 재매핑, 데이터셋 잘라내기 등의 기능을 제공합니다. 수동 전처리는 필요 없으며, 데이터셋이 다음 조건을 충족하는지 확인하기만 하면 됩니다.objects.bbox그리고objects.category열.

상류 통로 · L113 ↗

교육 워크플로우

이 체크리스트를 복사하고 진행 상황을 추적하세요: 단계1필수 조건 확인: 위의 필수 조건 체크리스트를 참조하십시오. 단계2데이터셋 유효성 검사

상류 통로 · L117 ↗

빠른 시작 — 객체 감지

그만큼script_args아래 내용은 두 제출 방식 모두에 동일하게 적용됩니다. 지시문 #을 참조하십시오.1둘 사이의 결정적인 차이점 때문입니다.

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

요구 사항 및 설정

필수 조건 체크리스트

교육 업무를 시작하기 전에 다음 사항을 확인하십시오.

상류 통로 · L35 ↗

데이터셋 요구사항 — 객체 탐지

데이터셋은 허브에 존재해야 하며, 주석은 다음을 사용해야 합니다.objects열이 있는bbox,category(그리고 선택적으로)area) 하위 분야

상류 통로 · L45 ↗

제한 사항 및 품질 검사

이 파일에서 별도의 제한 조건 구문이 선택되지 않았습니다. 이는 해당 스킬이 모든 입력 또는 환경에서 안전하다는 것을 의미하지 않습니다. 전체 소스 코드를 검토하고 결과를 직접 확인하십시오.

안전한 시험 사용부터 시작하세요

  1. 지원되는 호스트와 저장소 설치 지침을 확인하세요. 스킬 디렉토리와 해당 디렉토리에서 참조하는 스크립트, 자산 및 문서를 함께 보관하세요.SKILL.md단독으로는 종속성을 생략할 수 있습니다.
  2. 에이전트에 실제 입력값, 원하는 출력값 및 승인 기준을 제공하십시오. 호출 구문 및 사용 가능한 도구는 호스트에 따라 다르므로 이 사이트는 범용 설치 명령을 제공하지 않습니다.
  3. 원본 워크플로를 임시 프로젝트 또는 복사본에서 테스트해 보세요. 파일, 원격 서비스 또는 유료 리소스를 변경하는 작업은 허용하기 전에 검토하십시오.
  4. 출력 결과를 원본 품질 검사 및 자체 요구 사항에 맞춰 검증하십시오. 트리거가 성공적으로 작동했거나 저장소의 별점 수가 높다고 해서 반드시 올바른 결과가 나오는 것은 아닙니다.

기술 형식 및 디렉토리 사양 ↗

원문에서 더 자세한 내용을 읽어보세요.

번역 및 범위

이 독서 안내서는 고정된 상류 지역에서 발췌한 구절들을 소개합니다.SKILL.md본 번역은 보조 번역이며, 완전한 설명서 또는 호환성 테스트를 보장하는 것은 아닙니다. 사용 전에 원본 및 참조 파일을 반드시 읽어 주십시오.

이 소개글은 아래 고정된 버전을 참조하며, 현재 저장소 활동 및 수집 시간은 별도로 표시됩니다.

출처 검색됨
소스 커밋
fabc634a893f62ad5c2039830397efa35fa62715
출처 SHA-256
c7aba4de75fa6595ffdaf5c50136786e8346aba0c9ff0261eaee656af4a3b0d9
전체 스킬 카탈로그로 돌아가기