Локализованное руководство по чтению
huggingface-vision-trainerНазначение, использование и источник
Обучает и дорабатывает модели машинного зрения для обнаружения объектов (D-FINE, RT-DETR v).2, DETR, YOLOS), классификация изображений (модели тимма — MobileNetV3MobileViT, ResNet,ViT/DINOv3— плюс любой классификатор «Трансформеров»), иSAM/SAM2Сегментация с использованием Hugging Face Transformers на облачных графических процессорах Hugging Face Jobs. Рассматривается подготовка набора данных в формате COCO, аугментация Albumentations.mAP/mARоценка, метрики точности, сегментация SAM сbbox/pointподсказки, функция потерь DiceCE, выбор оборудования, оценка стоимости, мониторинг Trackio и сохранение состояния Hub. Используйте, когда пользователи упоминают обучение обнаружению объектов, классификации изображений, SAM, SAM.2сегментация, выделение объектов на изображениях, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, модели ограничивающих рамок или тонкая настройка моделей компьютерного зрения для задач, связанных с «обнимающим лицом».
Источник получен:
- Репозиторий-источник
- huggingface/skills
- SKILL.md
skills/huggingface-vision-trainer/SKILL.md- Звёзды репозитория
- 11,241
- Последнее обновление репозитория
- 2026-10-30
- Категории Skills
- Дизайн
- Время последнего сбора
Лицензия: Apache-2.0
Приведенные фрагменты описания рабочих процессов являются вспомогательными средствами для чтения, а не исполняемыми инструкциями от Codez. Для создания этой страницы не использовались сторонние инструменты.
Приведённые ниже фрагменты, описывающие цели и рабочие процессы, представляют собой исходный материал, систематизированный и переведённый для удобства чтения. Они отличаются от отдельно обозначенного редакционного анализа Codez.
Что делает этот навык
Обучает и дорабатывает модели машинного зрения для обнаружения объектов (D-FINE, RT-DETR v).2, DETR, YOLOS), классификация изображений (модели тимма — MobileNetV3MobileViT, ResNet,ViT/DINOv3— плюс любой классификатор «Трансформеров»), иSAM/SAM2Сегментация с использованием Hugging Face Transformers на облачных графических процессорах Hugging Face Jobs. Рассматривается подготовка набора данных в формате COCO, аугментация Albumentations.mAP/mARоценка, метрики точности, сегментация SAM сbbox/pointподсказки, функция потерь DiceCE, выбор оборудования, оценка стоимости, мониторинг Trackio и сохранение состояния Hub. Используйте, когда пользователи упоминают обучение обнаружению объектов, классификации изображений, SAM, SAM.2сегментация, выделение объектов на изображениях, DETR, D-FINE, RT-DETR, ViT, timm, MobileNet, ResNet, модели ограничивающих рамок или тонкая настройка моделей компьютерного зрения для задач, связанных с «обнимающим лицом».
Как работает рабочий процесс на вышестоящем уровне
Автоматическая предварительная обработка ограничивающих рамок
Скрипт для обучения обнаружению объектов (scripts/object_detection_training.py) автоматически обрабатывает определение формата ограничивающих рамок (преобразование xyxy→xywh), очистку ограничивающих рамок,image_idГенерация, преобразование строковых категорий в целые числа и усечение набора данных. Ручная предварительная обработка не требуется — достаточно убедиться, что набор данных содержитobjects.bboxиobjects.categoryстолбцы.
Процесс обучения
Скопируйте этот контрольный список и отслеживайте прогресс: Шаг1Проверьте необходимые условия. Следуйте приведенному выше контрольному списку необходимых условий. Шаг2Проверка набора данных
проход вверх по течению · L117 ↗Быстрый старт — Обнаружение объектов
Онscript_argsПриведенные ниже правила одинаковы для обоих способов подачи заявки. См. директиву №1из-за существенных различий между ними.
uv run scripts/dataset_inspector.py --dataset username/dataset-name --split train
uv run scripts/estimate_cost.py --helpТребования и настройка
Контрольный список необходимых условий
Перед началом любой стажировки убедитесь в следующем:
проход вверх по течению · L35 ↗Требования к набору данных — Обнаружение объектов
Набор данных должен существовать в Hub. Аннотации должны использовать...objectsколонка сbbox,category(и по желанию)area) подполя
Ограничения и проверки качества
Из этого файла не был выбран отдельный фрагмент с ограничениями. Это не означает, что навык безопасен для любых входных данных или сред. Проверьте полный исходный код и подтвердите свой собственный результат.
Начните с безопасного пробного периода.
- Проверьте поддерживаемый хост и инструкции по установке репозитория. Храните каталог Skill, а также связанные с ним скрипты, ресурсы и документацию вместе;SKILL.mdВ одиночку можно опустить зависимости.
- Предоставьте агенту ваши реальные входные данные, желаемый результат и критерии приемки. Синтаксис вызова и доступные инструменты зависят от хоста; данный сайт не предполагает универсальной команды установки.
- Попробуйте запустить исходный рабочий процесс в тестовом проекте или в его копии. Перед тем как разрешить операции, изменяющие файлы, удаленные сервисы или оплачиваемые ресурсы, проверьте их.
- Проверьте выходные данные на соответствие исходным проверкам качества и вашим собственным требованиям. Успешный запуск или большое количество звезд в репозитории не гарантируют корректного результата.
Подробнее читайте в источнике.
- Обучение с использованием модели зрения для операций по коррекции формы лица методом «обнимания».
- Когда использовать этот навык
- Смежные навыки
- Выполнение локального скрипта
- Контрольный список необходимых условий
- Учетная запись и аутентификация
- Требования к набору данных — Обнаружение объектов
- Требования к набору данных — Классификация изображений
- Требования к набору данных —SAM/SAM2Сегментация
- Критические настройки
- Проверка набора данных
- Запуск инспектора
- Результаты чтения
- Автоматическая предварительная обработка ограничивающих рамок
- Процесс обучения
- Критические директивы
- 1. Подача заявки на работу:
hf_jobsИнструмент MCP против API Python - 2Аутентификация с помощью секретных данных задания + явное внедрение токена хаба
- 3Атрибут JobInfo
- 4Необходимые флаги обучения и логический синтаксис HfArgumentParser.
- 5Управление таймаутами
- 6Мониторинг Trackio
- Рекомендуемые модели обнаружения объектов
- Рекомендуемые модели классификации изображений
- РекомендуетсяSAM/SAM2модели сегментации
- Рекомендации по оборудованию
- Быстрый старт — Обнаружение объектов
- Ключ OD
script_args - Ключ IC
script_args - Ключ SAM
script_args
Смежные навыки
Перевод и сфера применения
В этом руководстве по чтению представлены избранные отрывки из закрепленного текста выше по течению.SKILL.mdПеревод выполнен с помощью переводчика. Это не полное руководство и не гарантия проверенной совместимости. Перед использованием ознакомьтесь с оригиналом и указанными в нем файлами.
Данное введение относится к закрепленной ниже версии; текущая активность в репозитории и время сбора данных отображаются отдельно.
- Закрепленный источник
- Прочитайте оригинал ↗
- Источник получен
- Исходный коммит
fabc634a893f62ad5c2039830397efa35fa62715- Исходный SHA-256
c7aba4de75fa6595ffdaf5c50136786e8346aba0c9ff0261eaee656af4a3b0d9