云锦微智能科技
认识 Vision-T 训练平台（VT-Station）
1、平台简介
Vision-T 训练平台 2.0 是面向行业个性化场景算法的一站式模型定制平台，支持私有化部署，可在客户本地电脑安装，保障数据和模型的本地化存储，避免数据泄露风险。平台提供友好易用的操作界面，即使是零算法开发基础的用户，也能轻松完成从数据准备到模型部署的全流程操作，助力企业快速构建 AI 算法生产能力，加速 AI 应用落地。
2、核心功能概览
- 数据标注：支持图像检测、分类、分割等多种标注类型，提供自动标注（基于预置模型或已有模型）和手动标注功能。自动标注可提升效率，手动标注支持精细操作，满足不同场景需求。
- 模型训练：涵盖自动训练和专业训练模式。自动训练提供便捷的流程，专业训练支持选择算法框架（如 Pytorch、Tensorflow 等），适配不同用户的训练需求，支持图像数据类型的模型训练。
- 模型部署：支持将训练好的模型一键部署到边缘计算设备，实现离线推理，方便在各类终端设备上应用。
3、工作流程总览
1. 数据准备：收集图像数据，通过创建数据集、导入数据（支持本地数据集、平台已有数据集、视频流导入）等操作管理数据。
2. 数据标注：对数据进行预处理（去模糊、剪裁、旋转、镜像等），然后通过自动或手动标注为数据添加标签。
3. 模型训练：创建模型，选择部署方式、算法网络和数据集，启动训练，平台自动评估模型效果。
4. 模型发布与部署：发布审核通过的模型，将其部署到边缘设备，完成 AI 项目落地。
小贴士：特别适合的行业场景
o 工业领域：用于产品缺陷检测、生产流程监控等，本地化部署保障数据安全，快速实现产线智能化。
o 安防行业：支持人脸人体检测、行为识别等，满足安防场景对实时性和数据隐私的高要求。
智能硬件：方便将模型部署到边缘设备，如智能摄像头、工业机器人等，提升设备智能化水平。
界面导览与基本概念
1、主界面介绍
- 系统管理：包含资源管理（查看 CPU、内存、GPU 等系统资源使用情况）、角色管理（设置数据中心和模型中心权限）、账号管理（管理用户账号，进行禁用、启用、重置密码等操作）。
- 数据中心：用于数据集管理，包括创建数据集、新增数据集版本、导入数据、预处理、标注（自动 / 手动）、建立测试集、发布数据集等功能。
- 模型中心：支持创建模型、新增训练（选择部署方式、算法网络、数据集）、模型验证、模型发布等操作，管理模型训练全流程。
- 模型部署：对发布后的模型进行管理，支持将模型部署到边缘设备，进行升级等操作。
- 设备管理：添加、编辑设备，支持探索设备或手动输入设备 IP、密钥等信息，管理边缘计算设备。
2、关键概念解释
- 项目：在平台中，项目以数据集和模型为核心，围绕特定 AI 任务（如图像检测）组织数据、标注、训练和部署等操作，是实现 AI 应用的基本单元。
- 数据集：存储图像数据的集合，可包含多个版本，每个版本可继承历史数据并独立操作，支持图像检测、分类、分割等标注类型。
- 标签：用于描述数据特征，如图像检测中的物体类别、图像分类的类别名称等，是数据标注和模型训练的关键信息。
- 模型：通过训练数据集得到的算法模型，包含模型网络（如 Yolov4、Yolov5 等）、部署方式（专有硬件一体机、GPU 服务器等）等信息，是 AI 应用的核心组件。
- 任务类型：平台支持的 AI 任务类型包括图像检测（定位并识别图像中的物体）、图像分类（将图像归类到特定类别）、图像分割（对图像中的不同区域进行像素级分类）。
小贴士：如何快速找到需要的功能
- 菜单导航：通过左侧菜单栏的系统管理、数据中心、模型中心、模型部署、设备管理等模块，快速定位到相应功能页面。
- 搜索功能：在数据中心、模型中心等页面，可通过搜索框输入数据集、模型名称等关键词，快速查找目标内容。
- 操作指引：首次使用时，注意界面中的提示信息和操作按钮（如 “新增”“详情” 等），按照流程引导进行操作。
创建您的第一个 AI 项目
1. 创建数据集
- 操作路径：数据中心 → 数据集管理 → 创建数据集
- 配置项：
- 名称：输入项目名称（如 “安全帽检测”）。
- 数据类型：选择 “图像”。
- 标注类型：根据任务选择 “图像检测”“图像分类” 或 “图像分割”。
- 存储路径：默认本地存储，支持自定义路径。
2. 导入数据
- 点击「导入数据集」→「本地数据集」，选择压缩包（支持 ZIP/TAR/RAR 格式，单包≤5GB）。
- 若数据已标注，需按平台模板（VOC 格式）整理标签文件。
3. 手动标注
- 图像检测：
a. 点击图片进入标注界面，选择 “新增标签”（如 “安全帽”“未戴安全帽”）。
b. 使用矩形框标注目标
c. 标注完成后点击 “保存”，系统自动统计标注进度。
- 图像分类：
a. 选择图片，点击标签箭头将其归类（如 “站立”“跌倒”）。
4. 建立测试集
本步骤非必须，如果没有添加测试集，系统会自动划分 10% 数据为测试集
- 操作路径：数据集详情 → 选择已标注数据 → 添加至测试集
- 比例建议：测试集占比 10-30%（如总数据量 1000 张，测试集选 200 张）。
5. 发布数据集
o 操作路径：数据集详情 → 发布
o 审核流程：
a. 提交发布申请后，系统管理员账号将收到审核通知。
b. 审核通过后，数据集状态变为 “已发布”，可用于模型训练。
模型训练与优化
1. 创建模型
- 操作路径：模型中心 → 创建模型
- 配置项：
- 模型名称：输入名称（如 “安全帽检测模型”）。
- 任务类型：选择与数据集一致的类型（如 “图像检测”）。
2. 新增训练
- 操作路径：模型详情 → 新增训练
- 关键步骤：
a. 部署方式：选择 “专有硬件一体机” 或 “GPU 服务器”。
专有硬件一体机支持 ZN04 和 ZN16 两个平台，训练完成后会自动量化并生成平台相关升级包。GPU服务器仅生成 onnx 模型用于平台部署和测试。
b. 算法网络：
- 检测模型 可选 “Yolov8s” 或 "Yolov5s” 等 yolo 系列检测模型。
- 分类模型：可选 ResNet18、MobileNetV2 等分类模型。
c. 数据集选择：勾选已发布的数据集（如 “安全帽检测 V1”）。
d. 数据增广：
- 默认配置：系统自动应用旋转、缩放等增强。
- 手动配置：自定义增强策略（如添加高斯噪声）。
3. 启动训练
- 自动训练：点击 “开始训练”，系统自动分配资源并生成模型，训练时长约数小时至数天（取决于数据量和硬件）。
4. 模型验证
- 操作路径：模型中心 → 模型验证
- 步骤：
a. 上传验证图像（支持 JPG/PNG 格式）。
b. 选择模型版本，点击 “开始验证”。
c. 查看评估指标：
- 图像检测：AP 值（平均精度）、MAE（平均绝对误差）。
- 图像分类：准确率、混淆矩阵。
5. 模型发布
- 操作路径：模型详情 → 发布
- 审核流程：
a. 提交发布申请后，系统管理员审核模型性能（如 AP≥0.9）。
b. 审核通过后，模型状态变为 “已发布”，可部署至边缘设备。
实战指南目录
1. 模型部署
- 操作路径：模型部署 → 选择模型 → 下载升级包
- 设备验证：登录设备，进入"设置"->"维护"页面，在"系统升级"部分，选择”点击上传“， 选择刚才下载到本地的升级包, 点击"升级"就可以了。系统重启后，在"智能分析"页面就可以看到新训练的模型了
小贴士：项目命名规范建议
- 清晰明确：名称应直接反映项目的核心任务和应用场景，避免使用模糊或过于简略的词汇。
- 唯一性：在平台中项目名称需全局唯一，可通过添加版本号、场景关键词等方式确保唯一性，如 “安全帽检测项目_202407”。
- 结构化：采用 “任务类型 - 应用场景 - 版本” 的格式，例如 “图像检测 - 工地安全帽 - V1”，方便后期项目管理和检索。
通过以上步骤，您可以顺利创建第一个 AI 项目，后续可根据流程进行数据导入、标注、训练和部署等操作，逐步完成 AI 应用的开发和落地。
实战指南目录
开篇：零代码构建专属AI模型
VT-Station实战指南开篇点击查阅：
VT-Station实战指南：零代码构建专属AI模型（开篇）
第一章：基础入门 (Getting Started)
Recipe 1.1: 认识 VT-Station
o目标：了解 VT-Station 是什么，能做什么，核心优势。
o内容：平台简介，核心功能（标注、训练、部署）概览，工作流程总览。
o小贴士：VT-Station 特别适合哪些行业场景？
Recipe 1.2: 界面导览与基本概念
o目标：熟悉 VT-Station 的用户界面布局和常用术语。
o内容：主界面介绍（项目管理、数据集、模型、部署等区域），关键概念解释（项目、数据集、标签、模型、任务类型 - 如分类、检测）。
o小贴士：如何快速找到我需要的功能？
Recipe 1.3: 创建您的第一个 AI 项目
o目标：走通创建项目的基本流程。
o内容：如何新建项目，项目设置（名称、描述、任务类型选择）。
o小贴士：项目命名规范建议。
第二章：数据准备与标注 (Preparing Your Data)
Recipe 2.1: 导入您的数据
o目标：学会将不同来源的数据导入 VT-Station。
o内容：支持的数据格式（图片、视频？），从本地上传，从云存储导入（如果支持），数据集的组织方式。
o小贴士：导入前需要注意的数据整理事项。
Recipe 2.2: 理解不同的标注类型
o目标：了解何时使用何种标注工具。
o内容：分类标签、矩形框 (Bounding Box)、多边形 (Polygon)、关键点 (Keypoint) 等（根据 VT-Station 支持的功能选择），各自适用的场景解释。
Recipe 2.3: 实战：图像分类标注
o目标：掌握为图像打分类标签的操作。
o内容：打开标注界面，选择图片，添加/选择标签，批量操作技巧。
o小贴士：如何定义清晰、无歧义的分类标签？
Recipe 2.4: 实战：目标检测标注 (矩形框)
o目标：掌握使用矩形框标注目标物体。
o内容：选择矩形框工具，框选目标，为框选区域选择或输入标签，修改/删除标注框。
o小贴士：标注框应该多紧密？包含多少背景？
Recipe 2.5: 标注数据质量核查与管理
o目标：学习如何检查和提升标注数据质量。
o内容：检查标注一致性，查找漏标/错标，版本管理（如果支持），多人协作标注流程（如果支持）。
o小贴士：为什么高质量标注如此重要？"Garbage in, garbage out."
Recipe 2.6: 数据增强简介与应用
o目标：了解数据增强的作用，并使用平台提供的功能。
o内容：什么是数据增强（旋转、翻转、亮度调整等），为何需要它（增加数据量、提升模型鲁棒性），如何在 VT-Station 中配置数据增强策略。
第三章：模型训练 (Training Your Model)
Recipe 3.1: 选择合适的模型模板/类型
o目标：根据任务类型和数据情况选择合适的起点。
o内容：平台提供的预设模型/模板介绍（例如，通用分类模型、快速检测模型、高精度检测模型），选择建议。
o小贴士：新手该如何选择？
Recipe 3.2: 配置训练参数 (简化版)
o目标：了解关键训练参数的含义并进行基本配置。
o内容：解释最重要的几个参数（如训练时长/轮数 Epochs、批次大小 Batch Size），提供建议值或预设选项（如 "快速训练"、"均衡模式"、"追求高精度"）。
o小贴士：首次训练建议使用默认或推荐设置。
Recipe 3.3: 启动与监控模型训练
o目标：学会开始训练并理解训练过程中的状态信息。
o内容：如何点击“开始训练”，查看训练日志，理解关键指标曲线（如 Loss 下降、Accuracy/mAP 上升）的简单含义。
o小贴士：训练需要多长时间？如何判断训练是否在正常进行？
Recipe 3.4: 理解训练结果报告
o目标：初步解读模型训练完成后的效果。
o内容：查看关键评估指标（准确率、召回率、mAP 等）的含义，了解模型的基本表现。
第四章：模型评估与优化 (Evaluating and Improving Your Model)
Recipe 4.1: 可视化模型预测结果
o目标：直观地查看模型在验证/测试数据上的表现。
o内容：使用平台的评估工具，查看模型预测的标注框/分类结果与真实标注的对比，找出模型容易出错的样本。
o小贴士：这是最直观了解模型好坏的方式。
Recipe 4.2: 深入解读评估指标
o目标：更详细地理解模型的性能。
o内容：混淆矩阵 (Confusion Matrix) 的解读（分类任务），精度 (Precision) 与召回率 (Recall) 的权衡（检测任务）。
o小贴士：没有完美的模型，关键是满足业务需求。
Recipe 4.3: 识别常见训练问题
o目标：了解模型可能遇到的问题及初步判断。
o内容：简单解释过拟合（模型只在训练数据上表现好）和欠拟合（模型没学好），如何通过训练曲线和评估结果初步判断。
Recipe 4.4: 优化技巧：增加或修正数据
o目标：学习通过改进数据来提升模型效果。
o内容：根据 Recipe 4.1 发现的错误样本，针对性地增加相似数据或修正错误标注，重新训练。
o小贴士：数据是提升模型效果最有效的手段之一。
Recipe 4.5: 优化技巧：调整训练参数
o目标：学习通过微调参数改进模型。
o内容：基于 Recipe 4.3 的判断，尝试调整训练时长、学习率（如果平台开放）等参数，重新训练。
o小贴士：参数调整通常需要多次尝试。
Recipe 4.6: 模型版本管理
o目标：管理不同次训练得到的模型。
o内容：如何保存、命名和比较不同版本的模型。
第五章：模型部署与应用 (Deploying Your Model)
Recipe 5.1: 理解部署选项
o目标：了解 VT-Station 支持的部署方式及其适用场景。
o内容：云端 API 部署、边缘设备部署等。
Recipe 5.2: 实战：一键部署为边缘设备
o目标：将训练好的模型发布为一个可供调用的服务。
o内容：选择要部署的模型，点击部署按钮，获取 API 地址和调用凭证。
o小贴士：部署前确认模型效果满足要求。
Recipe 5.3: 如何调用已部署的 API
o目标：学会向部署好的模型发送数据并获取预测结果。
o内容：提供简单的 API 调用示例代码（如 Python requests），解释输入数据格式和输出结果格式。
o小贴士：确保调用时的数据预处理与训练时一致（平台通常会自动处理）。
Recipe 5.4: 监控已部署模型的运行状态
o目标：了解模型服务的健康状况。
o内容：查看调用量、响应时间、错误率等基本监控信息（如果平台提供）。
第六章：进阶技巧与最佳实践 (Advanced Tips & Best Practices)
Recipe 6.1: 处理不均衡数据
o场景：某些类别的样本数量远多于其他类别。
o技巧：数据增强、重采样（如果平台支持）、特殊损失函数（平台内部可能已处理）。
Recipe 6.2: 利用主动学习/智能标注加速标注
o场景：数据量很大，如何高效标注？
o技巧：介绍主动学习概念，如何在 VT-Station 中使用该功能让模型辅助筛选需要优先标注的数据。
Recipe 6.3: 何时需要寻求外部专家帮助？
o场景：遇到难以解决的问题或效果瓶颈。
o技巧：设定合理预期，了解 VT-Station 的能力边界，何时考虑引入 AI 专家。
附录 (Appendix)
o术语表 (Glossary): 解释 Cookbook 中出现的关键 AI 和平台术语。
o常见问题解答 (FAQ): 汇总用户在使用过程中可能遇到的常见问题和解决方案。
获取帮助与支持: 如何联系 VT-Station 的技术支持或查找更多文档资源。