第三步，形成可上传到EasyDL进行训练的数据，您点击【导入】选择【未标注】数据导入，可以上传本地原图的zip包，如下图： 第四步，当您把图片上传到图像分类数据集进行标注时，可批量标注功能快速为图片打标签，提高您的标注效率，如下图： 模型训练 当您的数据准备完成后，您可以点击先点击【创建模型】完成模型创建后，点击【训练模型】启动训练。

查看更多>>

在EasyDL平台背后主要使用了深度学习的技术，深度学习是机器学习(ML, Machine Learning)领域中一个新的研究方向。通过学习样本数据的内在规律和表示层次，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 AI模型训练的基本流程介绍 分析业务需求 在正式启动训练模型之前，需要有效分析和拆解业务需求，明确模型类型如何选择。

查看更多>>

在EasyDL平台背后主要使用了深度学习的技术，深度学习是机器学习(ML, Machine Learning)领域中一个新的研究方向。通过学习样本数据的内在规律和表示层次，最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 AI模型开发的基本流程介绍 step1：分析业务需求 在正式启动训练模型之前，需要有效分析和拆解业务需求，明确模型类型如何选择。

查看更多>>

目前EasyDL图像提供了图像分类、物体检测、图像分割三种任务类型：图像分类适用于图片中主体或者状态单一的场景；物体检测适用于多个主体且需要识别主体位置的场景；图像分割可定位到多个主体且需要定位到主体像素级的位置。针对划痕质检场景，单张图片中可能出现多个缺陷，缺陷无需定位到像素级的位置，因此选用物体检测较为合适。 问题2：对于工业质检场景数据该如何采集？

查看更多>>

在操作面板中，单击“导入数据集”，系统在弹出框中显示已创建的数据集及其标注情况，如下所示： 勾选待导入数据集前的复选框并单击“确认”，开始导入数据集，如下所示： 数据集导入操作是单向的，且当数据服务中的数据集有更新时，不会自动同步，需要手动重新刷新。 训练模型 用户可以在Notebook或终端中编写模型训练代码，并完成模型的训练。 本节给出如何使用示例代码完成导入数据集的建模。

查看更多>>

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。

查看更多>>

3、最后，您可将符合条件的样本集，从当前数据集拆分并构建新的数据子集。新的数据子集可进一步开展数据清洗、数据增强等处理操作，处理后的数据集可再度开展数据洞察。 ​ 例如，通过数据洞察我们发现，表达“如何提交评价”意图的样本占比相对较少，则可以将该类场景的样本集拆分构建成新的数据集— 如何提交评价_客服对话多标签生成 。该数据集可通过后续的数据增强功能，对“如何提交评价”意图类的样本进行自动扩充。

查看更多>>

空气动力学仿真大模型 针对高速列车空气动力学仿真过程中存在的计算速度慢、效率低等痛点问题，设计了基于人工智能技术的“空气动力学仿真大模型”。方案由三大核心部分构成：数据驱动的仿真模型、高效的计算框架以及智能化的应用工具。 客户收益 助力中国中车推出的“斫轮大模型” 基于百度的大语言模型、文生图模型、CV大模型、多模态大模型，系列模型套件，中车的MaaS平台实现了大模型的服务能力。

查看更多>>