1. 概述

MNN 工作台内置针对图片中的主体部分进行识别和检测。

2. 模型训练

2.1 制作主体识别数据集

目标检测训练数据集包含图片和标签两类数据，其中，图片文件支持JPG和PNG格式，标签文件支持xml格式。
在 MNN 工作台中内置提供了相关标注工具 Label Image，具体标注使用流程请参考《5.5 图像标注工具 Label Image》

数据格式需求请参考《5.5 图像标注工具 Label Image》，否则会导致训练出错。

主体识别的数据标注与目标检测的数据标注区别在于：主体识别标注物体是单一的，目标检测可以是多目标的。

2.2. 创建工程

1. 打开 MNN 工作台，进入工作台主界面。

图例 1. MNN 工作台主界面

1. 点击 Train a deep learning model，进入模型训练页面。

图例 2. MNN 工作台模型训练模版选择界面

1. 选择Primary Detection

图例 3. MNN 工作台主体检测模型下载

1. 下载完成，点击 Next 进入项目配置页面，在Project Name上出入项目名称，比如MyPrimaryDetection，点击Next

图例 4. MNN 工作台主体检测工程配置

1. 选择目标文件夹，对工程进行保存。

图例 5. MNN 工作台选择工程保存路径

1. 点击Next，进入训练工程界面。工作台会自动配置训练环境，首次使用需联网加载相关配置，请耐心等候。

图例 6. MNN 工作台训练工程初始化

2.3 训练流程

进入训练界面：

1. 框①中选择训练数据集。
2. 框②中填写最大迭代次数。
3. 点击框③中的‘Train’按钮开始训练。

训练之前也可以同时填写框④中的验证数据集和测试数据集，可选。

图例 7. MNN 工作台训练界面功能布局

点击’Train‘开始训练后，跳转到训练进度界面。
框①中展示训练进度。2/20表示当前正在进行第2次迭代，总共有20次迭代。

训练过程中，可随时点击框②中的’Stop‘按钮，停止训练，

图例 7. MNN 工作台训练中

训练完成后，页面自动跳转到Metrics界面，包括Train Loss和Validation Accuracy：

横坐标是第几次迭代，纵坐标是对应的数值**。

红框中，0.90表示训练完成时，模型在训练数据集上面的损失数值。

图例 8. MNN 工作台训练 Training Loss 图形化界面

红框中，0.96%表示验证数据集上的准确率。

图例 8. MNN 工作台训练 Validation 图形化界面

3. 模型输出

3.1. 模型输出和单项测试

1. 训练完成之后，可以点击顶部的Tab页的’Output‘项(框①)，进入Output界面，如 图 9 所示

• 框①中展示了当前模型的大小，349.0KB。
• 右侧信息栏显示当前模型的详细信息，见框②

MNN 工作台可以对模型进行简单的所见即所得测试验证。将测试图片拖拽到框③中，然后点击对应的图片。工作台会使用训练好的模型对该图片进行检测，在页面中间展示检测结果。

图例 9. MNN 工作台训练结果所见即所得验证界面

4. 批量检测

MNN 也支持工作台支持批量检测。

• 点击顶部Tab页的’Testing‘项(框①)，进入批量检测页面。
• 在框②中选择检测数据所在的文件夹。
• 点击框③中的’Test Model‘开始检测。

图例 10. MNN 工作台批量结果验证界面
图例 11. MNN 工作台批量结果验证中

检测过程中，可随时点击’Cancel‘按钮取消检测：

图例 12. MNN 工作台批量结果验证中

检测完成之后，检测结果以表格的形式展现。
点击红框处的灰色箭头，可以展开表格查看具体检测结果。

图例 13. MNN 工作台批量验证结果详细信息

5. 测试数据

milkdataset.zip