मॉडल प्रशिक्षित करें

Roboflow डैशबोर्ड में अत्याधुनिक तकनीक का उपयोग करके एक मॉडल प्रशिक्षित करें।

के बारे में

आप Roboflow इंटरफ़ेस में कंप्यूटर विज़न मॉडल प्रशिक्षित कर सकते हैं।

Roboflow दो प्रशिक्षण विकल्प प्रदान करता है:

• Roboflow Custom Train: हमारी प्रमुख प्रशिक्षण सेवा, जो प्रोडक्शन-रेडी मॉडल बनाने के लिए आदर्श है।

• न्यूरल आर्किटेक्चर खोज: नए मॉडल आर्किटेक्चर खोजें और साथ ही फ़ाइन-ट्यून करें।

साथ ही, जब आप अपने इमेज एनोटेशन के पहले बैच को मंज़ूरी देते हैं, तो एक Roboflow Instant Model स्वतः प्रशिक्षित हो जाता है। इन मॉडलों का उपयोग तुरंत ऑटो-लेबलिंग या डिप्लॉयमेंट के लिए किया जा सकता है।

Roboflow पर प्रशिक्षित मॉडल Inference, हमारे ऑन-डिवाइस इन्फ़रेंस सर्वर, या क्लाउड में हमारे Serverless Cloud API के साथ Workflows, Workflows के साथ Batch Processing, या आपके मॉडल API एंडपॉइंट का उपयोग करके डिप्लॉय किए जा सकते हैं।

और पढ़ें लाइसेंसिंग मार्गदर्शन यह जानने के लिए कि Roboflow पर प्रशिक्षित मॉडल कैसे लाइसेंस किए जाते हैं।

वेब ऐप

मॉडल प्रशिक्षित करें

कंप्यूटर विज़न मॉडल को प्रशिक्षित करने के लिए, प्रोजेक्ट नेविगेशन में "Train" पर जाएँ।

प्रशिक्षण जॉब कॉन्फ़िगर करना शुरू करने के लिए "Custom Training" बटन पर क्लिक करें:

न्यूरल आर्किटेक्चर खोज (NAS)

ऑब्जेक्ट डिटेक्शन और इंस्टेंस सेगमेंटेशन प्रोजेक्ट्स के लिए, आप न्यूरल आर्किटेक्चर खोज (NAS) का उपयोग एकल मॉडल आर्किटेक्चर चुनने के बजाय कर सकते हैं। NAS स्वतः ही कई मॉडल कॉन्फ़िगरेशन प्रशिक्षित और मूल्यांकित करता है, फिर आपकी सटीकता और लेटेंसी आवश्यकताओं के आधार पर सबसे अच्छा विकल्प सुझाता है।

NAS का उपयोग करने के लिए, प्रशिक्षण इंजन चुनते समय NAS विकल्प चुनें। NAS के लिए कम से कम 15 वैलिडेशन इमेज आवश्यक हैं।

NAS प्रशिक्षण चार्ट्स के बारे में अधिक जानकारी के लिए, देखें प्रशिक्षण परिणाम देखें.

मॉडल आर्किटेक्चर चुनें

इसके बाद, आपको मॉडल आर्किटेक्चर और आकार चुनना होगा। यही मशीन लर्निंग तकनीक आपके मॉडल को प्रशिक्षित करने के लिए उपयोग होती है।

आप किन मॉडल आर्किटेक्चरों को प्रशिक्षित कर सकते हैं, यह आपके सेटअप किए गए प्रोजेक्ट के प्रकार पर निर्भर करता है। देखें समर्थित मॉडल तालिका प्रशिक्षण संगतता के विवरण के लिए।

ऑब्जेक्ट डिटेक्शन के लिए, RF-DETR सर्वोत्तम सटीकता प्रदान करता है। इंस्टेंस सेगमेंटेशन के लिए, RF-DETR Seg (Preview) सर्वोत्तम सटीकता प्रदान करता है। कीपॉइंट डिटेक्शन के लिए, RF-DETR Keypoint (Preview) भी उपलब्ध है।

आपके चुने गए मॉडल के आर्किटेक्चर के आधार पर मॉडल आकार अलग-अलग होंगे। उदाहरण के लिए, RF-DETR - एक अत्याधुनिक ऑब्जेक्ट डिटेक्शन मॉडल - Nano, Small, Medium, और Base प्रदान करता है। Medium, Large, और Extra Large केवल भुगतान करने वाले उपयोगकर्ताओं के लिए उपलब्ध हैं। एक SAM3 मॉडल का प्रशिक्षण उन पेड प्लान्स पर उपलब्ध है जिनमें usage-based billing शामिल है। इसके बाद, SAM3 आर्किटेक्चर सूची में "Request Feature" बटन के साथ दिखाई देता है, जिसका उपयोग आप एक्सेस पाने के लिए कर सकते हैं।

अपने प्रोजेक्ट प्रकार के लिए उपलब्ध आर्किटेक्चर चुनें, फिर "Continue" पर क्लिक करें:

चेकपॉइंट चुनें

प्रशिक्षण विकल्प चुनने के बाद, आपसे पूछा जाएगा कि क्या आप चेकपॉइंट से प्रशिक्षण करना चाहते हैं। नीचे दिए गए टैब प्रत्येक मॉडल प्रकार के लिए कॉन्फ़िगरेशन विकल्प दिखाते हैं।

ऑब्जेक्ट डिटेक्शन

आपके पास तीन विकल्प हैं:

• पिछले चेकपॉइंट से प्रशिक्षित करें: जब आपके पास पहले से ही एक कार्यरत मॉडल हो जिसे आप बेहतर बनाना चाहते हैं, तब यह आदर्श है।

• पब्लिक चेकपॉइंट से प्रशिक्षित करें: आपके पहले मॉडल के लिए, या जब पिछला प्रशिक्षण रन अपेक्षित परिणाम न दे पाया हो, तब यह आदर्श है।

• रैंडम इनिशियलाइज़ेशन से प्रशिक्षित करें: केवल उन्नत उपयोगकर्ताओं के लिए, यह विकल्प आपको प्रशिक्षण के लिए एक खाली शुरुआत देता है। अधिकांश उपयोगकर्ताओं को इस विकल्प से खराब परिणाम मिलते हैं।

क्लासिफिकेशन/सिमेंटिक सेगमेंटेशन

क्लासिफिकेशन और सिमेंटिक सेगमेंटेशन मॉडल्स के लिए, केवल एक चेकपॉइंट उपलब्ध है।

मैं प्रशिक्षण विकल्प कैसे चुनूँ?

हम नए ऑब्जेक्ट डिटेक्शन प्रोजेक्ट्स के लिए पब्लिक चेकपॉइंट से प्रशिक्षण की सलाह देते हैं। डिफ़ॉल्ट रूप से, हम Microsoft COCO डेटासेट पर प्रशिक्षित मॉडल से प्रशिक्षण प्रदान करते हैं। क्लासिफिकेशन और सिमेंटिक सेगमेंटेशन के लिए, हम केवल ImageNet से प्रशिक्षण का समर्थन करते हैं।

आप Universe पर होस्ट किए गए प्रोजेक्ट्स के आधार पर चेकपॉइंट्स से प्रशिक्षण कर सकते हैं (केवल ऑब्जेक्ट डिटेक्शन)। ऐसा करने के लिए, पहले Universe में किसी प्रोजेक्ट को स्टार करें. फिर, वह प्रोजेक्ट Roboflow वेब एप्लिकेशन में एक प्रशिक्षण चेकपॉइंट के रूप में उपलब्ध होगा।

इसके अलावा, आप किसी मॉडल के पिछले संस्करण के आधार पर चेकपॉइंट से प्रशिक्षण कर सकते हैं (केवल ऑब्जेक्ट डिटेक्शन, इंस्टेंस सेगमेंटेशन, और कीपॉइंट डिटेक्शन)। यह तरीका तेज़ प्रशिक्षण प्रक्रिया की अनुमति देता है। हम केवल तभी पिछले चेकपॉइंट से प्रशिक्षण की सलाह देते हैं जब आपका मॉडल अच्छा प्रदर्शन करता हो)।

चेकपॉइंट से प्रशिक्षण का अर्थ है कि आप ट्रांसफ़र लर्निंगका उपयोग कर रहे हैं। ट्रांसफ़र लर्निंग आपके मॉडल प्रशिक्षण को आपके चुने गए मॉडल से आरंभ करेगी। इससे प्रशिक्षण समय कम हो सकता है, और आपको बेहतर प्रशिक्षण स्कोर मिल सकते हैं।

स्क्रैच से प्रशिक्षण का अर्थ है कि आप नहीं ट्रांसफ़र लर्निंग का उपयोग कर रहे हैं। इससे आपके मॉडल का प्रशिक्षण मॉडल वेट्स के लिए यादृच्छिक प्रारंभिक मानों के साथ शुरू होगा।

क्रेडिट सीमा निर्धारित करें

आप सीमित कर सकते हैं कि एक प्रशिक्षण रन कितने क्रेडिट खर्च करे। प्रशिक्षण विकल्पों में "Credit Cap" में एक संख्या दर्ज करें, या बिना सीमा के चलाने के लिए इसे खाली छोड़ दें। सीमाओं के लिए usage-based billing.

जब एक रन अपनी सीमा तक पहुँच जाता है, तो Roboflow उसे रोक देता है और मॉडल वेट्स को सुरक्षित रखता है, ठीक वैसे ही जैसे प्रशिक्षण को जल्दी रोकना. जब जॉब चल रही होती है, तब प्रशिक्षण दिखाता है कि उसने सीमा वाले कितने क्रेडिट उपयोग किए हैं।

हर मॉडल की एक न्यूनतम सीमा होती है, जो इनपुट के नीचे दिखाई जाती है। न्यूनतम उस सबसे छोटे रन की लागत है जो फिर भी मॉडल बना सकता है, इसलिए इससे छोटी सीमा अस्वीकार कर दी जाती है। अनुमानित लागत से कम सीमा की अनुमति है, लेकिन रन संभवतः समाप्त होने से पहले रुक जाएगा।

न्यूरल आर्किटेक्चर खोज प्रशिक्षण और आर्किटेक्चर खोज का बिल अलग-अलग बनाता है, इसलिए इसमें दो सीमाएँ हैं: "Training Credit Cap" और "Search Credit Cap"। एक सेट करने पर दूसरा चरण बिना सीमा के रह जाता है।

यदि एक सीमित रन क्रेडिट बचाकर रुक जाता है, तो आप उसे जारी रख सकते हैं। नया रन सीमा के भीतर बची हुई राशि खर्च कर सकता है। यदि बची हुई राशि मॉडल की न्यूनतम आवश्यकता से कम है, तो इसके बजाय नया प्रशिक्षण शुरू करें।

प्रशिक्षण जॉब शुरू करें

एक बार जब आप वह चेकपॉइंट चुन लेते हैं जिससे प्रशिक्षण करना है, तो Start Training पर क्लिक करें।

इसके बाद आपका डेटासेट ज़िप किया जाएगा और Roboflow क्लाउड में प्रशिक्षण के लिए तैयार किया जाएगा।

प्रशिक्षण शुरू होने से पहले, प्रशिक्षण सारांश अनुमानित अवधि और क्रेडिट लागत दिखाता है:

डेटासेट जितना बड़ा होगा, और आपके डेटासेट में इमेजें जितनी बड़ी होंगी, आपके मॉडल को प्रशिक्षित होने में उतना ही अधिक समय लगेगा।

प्रशिक्षण प्रक्रिया समाप्त होने पर आपको एक ईमेल मिलेगा। अधिकांश मामलों में, यह 24 घंटे से कम होना चाहिए।

मूल्य निर्धारण

Roboflow पर प्रशिक्षण की कीमत ट्रेन जॉब की अवधि के आधार पर तय होती है। आप हमारे क्रेडिट्स पेज.

पर अधिक जानकारी देख सकते हैं। यदि आप छात्र या शोधकर्ता हैं और जिस प्रोजेक्ट पर आप काम कर रहे हैं उसके लिए क्रेडिट्स की आवश्यकता है, तो आप अतिरिक्त क्रेडिट्स के लिए आवेदन कर सकते हैं.

एजेंट से प्रशिक्षण शुरू करें

आप वही प्रशिक्षण रन Roboflow Agent से, चैट छोड़े बिना, शुरू कर सकते हैं। Agent में एक प्रोजेक्ट टैब खोलें और "Train" पर क्लिक करें। प्रशिक्षण चरण उसी टैब के अंदर खुलते हैं: पहले एक प्रशिक्षण इंजन चुनें, फिर आर्किटेक्चर और आकार, फिर डेटासेट संस्करण।

यदि आपने जो संस्करण चुना है वह अभी तक एक्सपोर्ट नहीं हुआ है, तो Agent पहले एक्सपोर्ट तैयार करता है और उसकी प्रगति दिखाता है। एक्सपोर्ट तैयार होने पर प्रशिक्षण शुरू होता है। यदि प्रोजेक्ट में कोई संस्करण नहीं है, तो आप उसी स्क्रीन से एक बना सकते हैं।

इस तरह प्रशिक्षण करने के लिए आपको Train Model और List Versions अनुमतियाँ चाहिए।

एक संस्करण पर कई मॉडल प्रशिक्षित करें

आप एक ही डेटासेट संस्करण पर एक से अधिक मॉडल प्रशिक्षित कर सकते हैं ताकि समान डेटा के विरुद्ध आर्किटेक्चर या आकारों की तुलना की जा सके। प्रत्येक प्रशिक्षण अलग-अलग चलता और मूल्यांकित होता है, और संस्करण पेज हर प्रशिक्षण को सूचीबद्ध करता है ताकि आप उनके बीच स्विच कर सकें।

HTTP API

एक बार किसी प्रोजेक्ट के पास जनरेट किया गया डेटासेट संस्करण हो जाए, तो आप एक प्रशिक्षण जॉब शेड्यूल कर सकते हैं जो एक होस्ट किया गया मॉडल तैयार करता है।

प्रशिक्षण जॉब शुरू करें

एक डेटासेट संस्करण पर प्रशिक्षण रन शुरू करें। डेटासेट संस्करण URL पथ का हिस्सा होता है।

POST https://api.roboflow.com/:workspace/:project/:version/train

बॉडी

नाम	प्रकार	विवरण	आवश्यक
model_type	string	आर्किटेक्चर पहचानकर्ता (जैसे rfdetr-nano, yolov8, yolov11)। पूर्ण सूची को त्रुटि के रूप में वापस पाने के लिए एक अमान्य मान दें।
checkpoint	string	ऐच्छिक चेकपॉइंट जिससे प्रशिक्षण जारी किया जा सके।
epochs	integer	एपॉक्स की संख्या।
speed	string	fast (डिफ़ॉल्ट) या accurate. accurate एक सशुल्क सुविधा है।
trainingCreditCap	number	अधिकतम क्रेडिट जो प्रशिक्षण रोकने से पहले खर्च कर सकता है। यह मॉडल की न्यूनतम सीमा से कम से कम होना चाहिए।
nasMiningCreditCap	number	अधिकतम क्रेडिट जो NAS आर्किटेक्चर खोज खर्च कर सकती है। केवल NAS मॉडल प्रकारों के लिए मान्य।

curl "https://api.roboflow.com/my-workspace/my-detector/3/train?api_key=$ROBOFLOW_API_KEY" \
  -X POST \
  -H "Content-Type: application/json" \
  -d '{"model_type": "rfdetr-base"}'

प्रशिक्षण असिंक्रोनस रूप से चलता है। प्रतिक्रिया यह पुष्टि करती है कि जॉब क्यू में डाल दी गई थी, न कि यह कि वह समाप्त हो गई है। प्रगति जाँचने के लिए, पोल करें प्रशिक्षण परिणाम या संस्करण के मॉडल फ़ील्ड पर प्रशिक्षित मॉडल के दिखाई देने की प्रतीक्षा करें।

यदि संस्करण प्रशिक्षण के लिए तैयार नहीं है, तो अनुरोध वापस करता है 400 के साथ एक कोड और एक समाधान फ़ील्ड। समाधान सुधार का नाम बताता है, इसलिए स्क्रिप्ट या एजेंट को संदेश पढ़ने की ज़रूरत नहीं होती: rebalance (पर्याप्त इमेजें हैं, लेकिन वे गलत स्प्लिट्स में हैं), upload (डेटासेट को और इमेजों की आवश्यकता है), annotate (इमेजों को लेबल की आवश्यकता है), regenerate (संस्करण जनरेशन विफल हो गया, इसलिए नया संस्करण जनरेट करें), या wait (rebalance या जनरेशन अभी भी चल रहा है)। डेटा से संबंधित नहीं होने वाली त्रुटियों, जैसे प्लान सीमाएँ, में कोई समाधान.

प्लान सीमाएँ यहाँ उसी तरह लागू होती हैं जैसे वे वेब ऐप में होती हैं। यदि आपके प्लान में वह आर्किटेक्चर शामिल नहीं है जिसकी आप मांग करते हैं, तो अनुरोध वापस करता है 400 और कोई जॉब शुरू नहीं होती: nas_not_available_for_plan के लिए NAS मॉडल प्रकार, sam3_not_available_for_plan के लिए SAM3 मॉडल प्रकार।

मॉडल की न्यूनतम सीमा से कम क्रेडिट सीमा, या ऐसे workspace पर कोई भी सीमा जो क्रेडिट्स के आधार पर बिल नहीं करता, वापस करती है 400 कोड के साथ invalid_credit_cap। त्रुटि संदेश न्यूनतम मान बताता है।

कॉल करने वाली API key में trainingJob:create स्कोप होना चाहिए।

Python SDK

Version.train() Roboflow प्लेटफ़ॉर्म पर प्रशिक्षण शेड्यूल करता है। कॉल जॉब के क्यू में जाने पर वापस आती है - प्रशिक्षण स्वयं असिंक्रोनस रूप से चलता है।

import roboflow

rf = roboflow.Roboflow(api_key="YOUR_API_KEY")
project = rf.workspace().project("my-detector")

# यदि आपके पास अभी तक एक संस्करण नहीं है, तो preprocessing और augmentation के साथ एक संस्करण बनाएँ।
new_version = project.generate_version({
    "preprocessing": {
        "auto-orient": True,
        "resize": {"width": 640, "height": 640, "format": "Stretch to"},
    },
    "augmentation": {},
})
version = project.version(new_version)

# प्रशिक्षण शेड्यूल करें।
model = version.train(
    model_type="rfdetr-nano",   # पूर्ण सूची को त्रुटि के रूप में वापस पाने के लिए एक अमान्य मान दें
    checkpoint=None,             # वैकल्पिक: पिछले चेकपॉइंट से जारी करें
    epochs=100,                  # वैकल्पिक: डिफ़ॉल्ट मान मॉडल-प्रकार पर निर्भर करते हैं
    plot_in_notebook=False,      # प्रशिक्षण-प्रगति प्लॉट दिखाएँ (केवल notebook)
)

पैरामीटर

• model_type (str) - आर्किटेक्चर पहचानकर्ता। सामान्य मान: rfdetr-nano, rfdetr-base, yolov8, yolov11। प्रोजेक्ट-प्रकार पर निर्भर। पूर्ण सूची को त्रुटि के रूप में वापस पाने के लिए एक अमान्य मान दें।

• speed (str, वैकल्पिक) - "fast" (डिफ़ॉल्ट) या "accurate"। सटीक प्रशिक्षण एक सशुल्क सुविधा है।

• checkpoint (str, वैकल्पिक) - पुनः शुरू करने के लिए चेकपॉइंट का id.

• epochs (int, वैकल्पिक) - एपॉक्स की संख्या। डिफ़ॉल्ट मान मॉडल-प्रकार पर निर्भर करते हैं।

• plot_in_notebook (bool, डिफ़ॉल्ट False) - प्रशिक्षण प्रगति को इनलाइन दिखाएँ (केवल notebook)।

प्रशिक्षण के बाद

एक बार प्रशिक्षण पूरा हो जाने पर, Versionका .model प्रॉपर्टी होस्ट किए गए मॉडल को वापस करती है:

predictions = version.model.predict("photo.jpg", confidence=40, overlap=30).json()

देखें छवि पर मॉडल चलाएँ पूर्ण इन्फ़रेंस संदर्भ के लिए।

CLI

आप कमांड लाइन से मॉडल प्रशिक्षण शुरू कर सकते हैं। प्रशिक्षण Roboflow की क्लाउड अवसंरचना पर चलता है।

कमांड

roboflow train start -p <project> -v <version> -t <model-type>

या शॉर्टहैंड का उपयोग करें (बिना start):

roboflow train -p <project> -v <version> -t <model-type>

विकल्प

फ़्लैग	विवरण
-p, --project	प्रोजेक्ट ID (आवश्यक)
-v, --version	संस्करण संख्या (आवश्यक)
-t, --type	मॉडल प्रकार, जैसे yolov8n, rfdetr-nano
--checkpoint	जिस चेकपॉइंट से प्रशिक्षण फिर शुरू करना है
--speed	प्रशिक्षण गति प्रीसेट
--epochs	प्रशिक्षण एपॉक्स की संख्या

उदाहरण

एक विशिष्ट मॉडल प्रकार के साथ प्रशिक्षण शुरू करें:

roboflow train start -p my-detector -v 3 -t yolov8n

चेकपॉइंट से पुनः शुरू करें:

roboflow train start -p my-detector -v 3 -t yolov8n --checkpoint my-checkpoint

JSON आउटपुट

roboflow train start -p my-detector -v 3 -t yolov8n --json

{
  "status": "training_started",
  "project": "my-detector",
  "version": 3
}

अगले कदम

• प्रशिक्षण जॉब रोकें या रद्द करें.

• समीक्षा करें कि आपका मॉडल कैसा प्रदर्शन करता है और प्रशिक्षण रनों की तुलना करें। देखें प्रशिक्षित मॉडलों का मूल्यांकन करें.

• अपने मॉडल को इसके साथ डिप्लॉय करें Serverless Cloud API.