Linux集成文档-Python 简介 本文档介绍Linux Python SDK 的使用方法。 网络类型支持:图像分类,物体检测 硬件支持: Linux x86_64 CPU Linux x86_64 Nvidia GPU 语言支持:Python 3.5, 3.6, 3.7 Release Notes 时间 版本 说明 2021.8.23 1.0.0 第一版! 快速开始 1. 安装依赖 根据引擎
时序数据集介绍 时序数据介绍 时序数据包含有时序特征,常规时序数据是具有一定频率的并且在连续时间范围内的每个采样点上都有一个值。 一个时序数据集可以包含一个或多个时间序列,如下数据集包含一个品牌在A、B两个地区的每日销售数据: datetime,area,sales_quantity 9/3/2018,A,2000 9/3/2018,B,600 9/4/2018,A,2300 9/4/2018,B
数据集智能标注 使用智能标注功能可降低数据的标注成本。启动后,系统会从数据集所有图片中筛选出最关键的图片并提示需要优先标注。通常情况下,只需标注数据集30%左右的数据即可训练模型。与标注所有数据后训练相比,模型效果几乎等同 整体流程以图像分类的智能标注流程为例: 创建智能标注任务 启动图像分类数据集的智能标注前,请先检查以下是否已满足以下条件: 所有需要识别的分类标签都已创建 每个标签的图片数不少
SKU单品图数据要求 简介 训练一个定制商品检测模型需要准备两类数据:SKU单品图片和实景图片。本文档将详细介绍训练一个定制商品检测模型的数据要求,如规格、大小、尺寸等,并提供相应的图片样例。另外,可以参考 实景图标注规范文档 文档内容,了解各个业务场景的数据如何正确标注。 点击下载 数据采集与标注规范长图 ,一张图看懂如何采集和标注数据,让您不走弯路,获得一个高精度的商品检测模型。 SKU单品图
表格预测模型介绍 表格数据预测模型介绍 表格数据预测模型是基于结构化数据进行建模,系统会基于用户上传的数据使用预置算法进行模型构建与训练。表格数据预测模型目前支持回归和分类两种类型的模型,其中分类模型包括二分类和多分类模型。 回归 回归模型通常用来预测一个数值,其反映的是变量或属性间的依赖关系,建模过程即求解将一个或多个变量映射到一个实数值的函数。它可以应用到市场营销的各个方面,如销量预测、价格预
免训练迭代模式 免训练迭代模式 整体介绍 免训练迭代模式是EasyDL针对于“需要高频迭代模型,但模型训练时间成本太高”的用户使用场景推出的新型模型迭代模式,在常规模型训练完成后开启免训练迭代模式,即可在「免训练模式数据底库」中通过增删数据来迭代模型的预测能力。值得一提的是,该模式下新增一类标签数据也可以短时间内马上获得新标签预测能力的模型 注: 1. 免训练迭代模式仅适合短期内快速获得具备一定精
数据集智能标注 使用智能标注功能可降低数据的标注成本。启动后,系统会从数据集所有图片中筛选出最关键的图片并提示需要优先标注。通常情况下,只需标注数据集30%左右的数据即可训练模型。与标注所有数据后训练相比,模型效果几乎等同 整体流程以物体检测的智能标注流程为例: 创建智能标注任务 启动物体检测数据集的智能标注前,请先检查以下是否已满足以下条件: 所有需要识别的标签都已创建 每个标签的标注框数不少于
门店查看和编辑 本文档介绍门店管理功能中的门店查看功能。 门店库详情 门店导入完成后,在门店库列表「操作」列点击「查看」即可进入门店库详情页面,页面包含门店库基本信息和门店列表。 门店信息 在门店列表的「操作」列中点击「查看/编辑」按钮,进入门店详情页。门店信息会展示门店导入时填入的内容,非必填项如果未填写,则会显示「-」。 点击「编辑」按钮,即可以对门店信息进行修改。 门脸图片 门脸图片为对应门
物体检测创建模型 在导航【模型训练】中,点击训练模型,填写模型名称、所属行业、应用场景等信息,即可进入数据准备环节 操作示例: 注:1. 创建模型后可持续新增模型版本,因此不必每次训练模型都创建模型 2.目前单个用户在每种类型的模型下最多可创建10个模型,每个模型均支持多次训练。 3.如果您是企业用户,建议您按照真实企业信息进行填写,便于EasyDL团队后续更好的为您服务
实景图数据要求 简介 训练一个定制商品检测模型需要准备两类数据:SKU单品图片和实景图片。本文档将详细介绍训练一个定制商品检测模型的数据要求,如规格、大小、尺寸等,并提供相应的图片样例。另外,可以参考 实景图标注规范文档 文档内容,了解各个业务场景的实景图片如何正确标注。 点击下载 数据采集与标注规范长图 ,一张图看懂如何采集和标注数据,让您不走弯路,获得一个高精度的商品检测模型。 实景图指的是从