模型训练是通过标注数据和算法优化，训练出能够识别特定场景、特定目标的视觉AI模型的过程。模型训练模块为一见平台提供核心的视觉识别能力，让企业可以根据自身业务场景，训练出高精度、高适配的专属模型。

模型

数据集

数据集是用于模型训练的原始数据集合，包含大量未标注或已标注的图像。

数据集类型：

• 训练集：模型在训练过程中直接学习的数据集
• 验证集：模型训练过程中使用的数据集，主要用于实时评估模型在未见过数据上的表现、调整超参数、选择模型结构、监控过拟合，指导训练早停
• 测试集：模型训练与调优全部完成后，最终用于评估模型泛化能力的独立数据集。
• 评测集：用于评测模型/技能的效果

数据集要求：

• 数据量：每个类别至少50-100张图片（推荐200+）
• 多样性：涵盖不同光照、角度、背景、尺寸
• 质量：图片清晰，标注准确
• 平衡性：各类别数据量相对均衡

训练

定义：训练是使用标注好的数据，通过算法优化模型参数，让模型学会识别特定目标的过程。

训练流程：

11. 准备数据集
2   ├── 导入图片
3   ├── 数据清洗
4   └── 数据增强
5
62. 标注数据
7   ├── 创建标注任务
8   ├── 在线标注
9   ├── 质量审核
10   └── 标注完成
11
123. 划分数据集
13   ├── 训练集
14   ├── 验证集
15   └── 测试集
16
174. 选择训练模板
18   ├── 目标检测模板
19   ├── 图像分类模板
20   └── 自定义模型
21
225. 配置训练参数
23   ├── 学习率
24   ├── 训练轮数
25   ├── 批大小
26   └── 数据增强策略
27
286. 开始训练
29   ├── 训练进度监控
30   ├── 损失曲线查看
31   └── 精度曲线查看
32
337. 模型评估
34   ├── 在测试集上评估
35   ├── 查看评估指标
36   └── 分析评估报告
37
388. 模型发布
39   ├── 保存模型版本
40   ├── 添加版本说明
41   └── 发布到模型库
42
439. 模型部署
44   ├── 在技能中调用
45   ├── API接口调用
46   └── 部署到边缘设备

推理服务

将训练好的 AI 模型部署为可被调用的在线服务，通过标准化接口（如 HTTP/gRPC）接收外部请求、加载模型执行推理计算、返回结构化结果，并支持并发控制、资源调度、服务监控与弹性扩缩等运维能力，是模型能力对外落地的可运行服务形态。

模型训练与其他模块的关系

1. 模型训练与数据的关系

数据是模型训练的基础：

• 数据管理模块提供数据集
• 数据集用于模型训练和评估
• 数据质量直接影响模型效果

关系图：

1数据管理模块
2    ↓ (提供数据集)
3模型训练
4    ↓ (使用数据训练)
5训练好的模型
6    ↓ (评估效果)
7数据反馈优化

典型场景：

• 数据管理模块导入门店监控图片
• 模型训练使用这些图片训练"店员识别模型"
• 训练完成后，使用新的数据评估模型效果
• 根据评估结果，优化数据集，重新训练

2. 模型训练与技能的关系

模型为技能提供识别能力：

• 模型训练产生的模型，可以在技能中调用
• 技能通过模型节点使用训练好的模型
• 模型的质量决定技能的效果
• 技能的反馈可以优化模型

关系图：

1模型训练
2    ↓ (训练模型)
3模型库
4    ↓ (模型节点调用)
5技能生产
6    ↓ (构建技能)
7视觉应用
8    ↓ (实际使用)
9效果反馈
10    ↓ (优化数据)
11模型训练（闭环）

典型场景：

• 模型训练训练了一个"安全帽检测模型"
• 技能生产中通过模型节点调用这个模型
• 构建"安全生产监控技能"
• 技能上线后，发现某些场景识别不准
• 收集这些场景的数据，重新训练模型