角色与权限控制列表 - ModelBuilder
除数据标注外）的权限 QianfanDataOperateAccessPolicy 运维操作千帆大模型平台数据管理（除数据标注外）的权限 QianfanDataReadAccessPolicy 只读访问千帆大模型平台数据管理（除数据标注外）的权限 QianfanDatasetAnnotationFullControlAccessPolicy 完全控制千帆大模型平台数据管理-数据标注的权限，注：多人标注发起相关操作目前仅主用户可操作
评估报告参考 - BML 全功能AI开发平台 | 百度智能云文档
漏识别：橙框内应该有目标物体（准备训练数据时标注了），但模型没能识别出目标物体 观察漏识别的目标有什么共性：例如，一个检测会议室参会人数的模型，会漏识别图片中出现的白色人种。这大概率是因为训练集中缺少白色人种的标注数据造成的。因此，需要在训练集中添加包含白色人种的图片，并将白色人种标注出来。
图像分割模型如何提升效果 - EasyDL零门槛AI开发平台 | 百度智能云文档
想要提升模型效果，可以尝试以下两种方法： 检查并优化训练数据 检查是否存在训练数据过少 的情况，建议 每个标签标注50个目标以上 ，如果低于这个量级建议扩充。 检查不同标签的标注目标数是否均衡 ，建议 不同标签的标注目标数数据量级相同，并尽量接近 ，如果有的标签标注的很多，有的标签标注的很少，会影响模型整体的识别效果。 通过 模型效果评估报告中的错误识别示例 ，有针对性地扩充训练数据。
SFT调优之旅（一） 千帆社区
因此后面的展示都是在选定了 文本对话 的基础上 选定了数据集的格式，我们就创建并导入数据喽✔️ 数据标注状态：是因为千帆平台支持在线标注呢~，我们可以先导入prompt，再在平台上标注。
13.森林火灾预警识别 - EasyDL零门槛AI开发平台 | 百度智能云文档
数据标注 由于需训练一个目标检测模型，检测图片中的烟火，所以标注时需选择目标检测模版进行标注，标注时注意所有图片中出现的烟雾、火种都需要被框出（框可以重叠），检测框应包含整个识别对象，且尽可能不要包含多余的背景。 提示：由于烟火检测干扰样本多，极容易造成误检，生活中有很多物体和烟火是非常接近的，很难区分（比如：云朵、红色的灯光等），容易造成模型误检，所以建议也采集一定数量的数据作为负样本。
SFT调优之旅（一） 千帆社区
因此后面的展示都是在选定了 文本对话 的基础上 选定了数据集的格式，我们就创建并导入数据喽✔️ 数据标注状态：是因为千帆平台支持在线标注呢~，我们可以先导入prompt，再在平台上标注。
EasyDL跨模态整体介绍 - EasyDL零门槛AI开发平台 | 百度智能云文档
产品优势 可视化操作 无需深度学习专业知识，通过模型创建-数据上传-模型训练-模型发布全流程可视化便捷操作，最快15分钟即可获得一个高精度模型。 操作步骤 Step 1 创建模型 确定模型名称，记录希望模型实现的功能。 Step 2 上传并标注数据 不同类型的任务对应的数据格式不一致，您可以上传未标注数据并使用平台提供的标注工具进行标注。或直接上传各任务的标注数据。
千帆大模型平台增加RLHF训练功能 千帆社区
之所以没有这样做， 主要原因还是标注数据太少了 ，一共才3万条标注数据。理想情况下，如果标注数据足够多，可能 SFT 就足够了，这时候也不需要再做强化学习。现实中数据量达不到足够多，这时候就要借助强化学习。 再回顾一下千帆大模型：PPO是强化学习的一种算法，经过了PPO以后的1.3B的模型效果好于未经过PPO的175B模型，可见强化学习对大模型效果提升非常明显。
千帆大模型平台增加RLHF训练功能 千帆社区
之所以没有这样做， 主要原因还是标注数据太少了 ，一共才3万条标注数据。理想情况下，如果标注数据足够多，可能 SFT 就足够了，这时候也不需要再做强化学习。现实中数据量达不到足够多，这时候就要借助强化学习。 再回顾一下千帆大模型：PPO是强化学习的一种算法，经过了PPO以后的1.3B的模型效果好于未经过PPO的175B模型，可见强化学习对大模型效果提升非常明显。
图像分割模型效果评估 - EasyDL零门槛AI开发平台 | 百度智能云文档
漏识别：橙色遮盖内应该有目标物体（准备训练数据时标注了），但模型没能识别出目标物体 观察漏识别的目标有什么共性：例如，一个检测会议室参会人数的模型，会漏识别图片中出现的白色人种。这大概率是因为训练集中缺少白色人种的标注数据造成的。因此，需要在训练集中添加包含白色人种的图片，并将白色人种标注出来。
