在計算機視覺領域，有許多通用預訓練模型可供部署到邊緣裝置（例如 OpenCV AI Kit）。但是，當今計算機視覺部署的真正力量在於**使用您自己的資料訓練您自己的計算機視覺模型**，以應用於**您自己的自定義解決方案**到**您自己的裝置**上。
要訓練您自己的自定義模型，您必須收集影像資料集，對它們進行標註，訓練您的模型，然後將您的模型轉換為目標部署環境並進行最佳化。這條機器學習路徑充滿了細微差別，並會減慢開發週期。更重要的是——錯誤並非表現為明顯的錯誤，而是靜默地降低模型的效能。
為了簡化計算機視覺開發和部署，Roboflow、OpenCV 和 Luxonis 正在合作，為 OAK-1 和 OAK-D 提供一鍵式自定義訓練和部署解決方案。
在本博文中，我們將介紹自定義模型部署到 OAK 裝置的過程，並展示其過程有多麼無縫。
最棒的是，您甚至不需要手邊有 OAK 裝置即可**立即開始開發您的專案**。您可以在 Roboflow 的雲環境中先進行開發和測試，然後將訓練後的模型部署到您的 OAK 上。
步驟 1：收集您的資料集
為了訓練您的自定義模型，您需要收集代表模型在實際環境中將要解決的問題的影像。使用與部署環境相似的影像至關重要。最佳做法是在您的 OAK 裝置上以您希望推斷的解析度拍攝影像進行訓練。您可以透過 Roboflow 上傳 API 將影像自動上傳到 Roboflow 以進行標註。
要初步瞭解問題，您將需要 5-100 張影像。要構建生產級系統，您可能需要更多影像。
步驟 2：標註您的資料集
下一步是在 Roboflow 中上傳並標註您的影像。
您將在要檢測的物件周圍繪製邊界框。請參閱有關 標註最佳實踐 的提示。
步驟 3：對您的資料進行版本控制
對資料集的標註感到滿意後，您可以在 Roboflow 中建立資料集版本以準備訓練。資料集版本在時間上是固定的，允許您迭代實驗，同時知道資料集已在版本建立時固定。
建立資料集版本時，您將做出兩組決定
- 預處理——跨資料集的影像標準化選擇，例如影像解析度。對於 OAK 部署，我們建議使用 416×416 的影像解析度。
- 增強——影像增強從您的訓練集中建立新的、經過轉換的影像，使您的模型能夠接觸到資料的不同變體。
步驟 4：訓練您的模型並將其部署到 OAK
Roboflow Train 提供一鍵式訓練和部署到您的 OAK 裝置。建立版本後，點選開始訓練並選擇要從其開始的檢查點。如果您沒有要從其開始的檢查點，只需選擇從頭開始訓練或公共模型-->COCO
根據資料集的大小，訓練和轉換將花費 15 分鐘到 12 小時，訓練和轉換完成後，您將收到電子郵件通知。
步驟 5：在託管 API 上測試您的模型
完成步驟 4 後，您的模型已準備好進行 OAK 部署（步驟 6），但我們建議您在部署前花點時間在 Roboflow 託管推理 API 上測試您的模型。 託管推理 API 是您的模型的版本，部署到雲伺服器。您可以初步瞭解在測試影像上進行推理的質量，並針對此 API 開發您的應用程式。
當您需要邊緣部署時，可以繼續設定 OAK 推理伺服器。
這也意味著，您不需要手邊有 OAK 裝置即可開始迭代模型並測試部署條件。
步驟 6：將您的模型部署到您的 OAK 裝置
模型完成訓練後，就可以將其部署到您的 OAK 裝置上的邊緣環境中。
支援的裝置
Roboflow OAK 推理伺服器在以下裝置上執行
- DepthAI OAK-D (LUX-D)
- Luxonis OAK-1 (LUX-1)
主機系統需要 linux/amd64 處理器。arm65/aarch64 支援即將推出。
推理速度
在我們的測試中，我們觀察到以 416×416 解析度的推理速度為 20FPS，適合大多數即時應用程式。此速度會根據您的主機略有不同。
為您的模型提供服務
在您的主機上，安裝 docker。然後執行
sudo docker run --rm \
--privileged \
-v /dev/bus/usb:/dev/bus/usb \
--device-cgroup-rule='c 189:* rmw' \
-e DISPLAY=$DISPLAY \
-v /tmp/.X11-unix:/tmp/.X11-unix \
-p 9001:9001 \
roboflow/oak-inference-server:latest這將在您的機器上啟動一個本地推理伺服器，該伺服器在埠 9001 上執行。
使用伺服器
- 透過在您的瀏覽器中訪問
https://:9001/validate來驗證您的 OAK 是否已正確啟動 - 透過呼叫內建的預訓練 COCO 模型
https://:9001/coco來驗證推理是否正常工作 - 透過對
https://:9001/[YOUR_ENDPOINT]?access_token=[YOUR_ACCESS_TOKEN]發出 GET 請求來呼叫您的自定義模型
在呼叫時，您可以獲得影像或 JSON 響應。
{
'predictions': [
{
'x': 95.0,
'y': 179.0,
'width': 190,
'height': 348,
'class': 'mask',
'confidence': 0.35
}
]
}
就這樣，您就踏上了征程！真正的挑戰在於將您的計算機視覺模型實施到您的應用程式中。
- 有關針對 OAK 推理伺服器進行開發的更多資訊，請參閱 Roboflow OAK 推理伺服器文件。
結論
恭喜！現在您知道如何使用經過實戰檢驗的機器學習管道，只需點選幾下，即可將自定義計算機視覺模型部署到邊緣環境中。
獲取訪問許可權
如果您已經擁有 OAK 裝置，則可以免費開始使用。只需在 Roboflow 中直接請求 Roboflow Train，並在回覆電子郵件時提供您的 OAK 序列號。（如果您還沒有 OAK 裝置，請聯絡我們獲取折扣。）
import depthai
for device in depthai.Device.getAllAvailableDevices():
print(f"{device.getMxId()} {device.state}")祝您訓練愉快！更重要的是，祝您推理愉快！
