CarbConnect logo
CarbConnect logo
    • Bienvenue sur CarbConnect
    • Bienvenue dans la Galerie
    • Créer votre premier dossier
    • Téléverser votre première image

    • Introduction au modal d'image
    • Changer les informations de l'image
    • Communiquer avec vos collègues
    • Créer une annotation

    • Partage et Connexion

    • Comment utiliser ZOI 1.0 Zone de mesure d'inhibition
    • Comment utiliser BiTTE lite Analyse Microbienne
    • Comment utiliser Nugent Score AI 1.0
    • Comment utiliser BM Smear AI 1.0
    • Comment utiliser ZOI Pro
    • Comment utiliser Pick Colony 1.0 - Colony Picking support

    • Comment créer une application privée
    • Premiers pas avec AI Studio
    • Comment créer un modèle de classification

    • Gérer votre profil et vos paramètres

    • Commencer avec l'Outil d'Étiquetage
    • Configuration du Constructeur de Formes et Étiquettes
    • Gestion des Invitations Serveur
    • Démarrage d'un Projet d'Étiquetage
    • Accès aux Projets d'Étiquetage Partagés

Comment créer un modèle de classification

FR
​

Apprenez à créer un projet de classification dans AI Studio, importer des dossiers de classes comme étiquettes, vérifier la répartition générée entre entraînement et test, lancer l'entraînement et exécuter une inférence d'exemple.

Ouvrez AI Studio depuis la navigation supérieure, restez dans l'onglet Projects, puis cliquez sur 'Create Project' pour démarrer un nouveau flux de modèle.

Step 1: Ouvrez AI Studio depuis la navigation supérieure, restez dans l'onglet Projects, puis cliquez sur 'Create Project' pour démarrer un nouveau flux de modèle.

Dans Project Settings, saisissez un nom de projet, sélectionnez 'Classification', choisissez un mode d'entraînement comme 'Auto', puis sélectionnez ou créez le Project Folder.

Step 2: Dans Project Settings, saisissez un nom de projet, sélectionnez 'Classification', choisissez un mode d'entraînement comme 'Auto', puis sélectionnez ou créez le Project Folder.

À l'étape Dataset, cliquez sur 'Import folder' et choisissez un dossier par classe. Chaque dossier devient une étiquette de classe, comme `BG2_01_Candida spp.` et `BG2_02_Listeria`.

Step 3: À l'étape Dataset, cliquez sur 'Import folder' et choisissez un dossier par classe. Chaque dossier devient une étiquette de classe, comme `BG2_01_Candida spp.` et `BG2_02_Listeria`.

Attendez la fin de l'importation et la génération du jeu de test, puis confirmez l'état vert 'Ready' et les compteurs Training et Test de chaque classe.

Step 4: Attendez la fin de l'importation et la génération du jeu de test, puis confirmez l'état vert 'Ready' et les compteurs Training et Test de chaque classe.

Dans Review & Train, confirmez le nom du projet, la catégorie Classification, le mode, le Project Folder et le résumé du dataset, puis cliquez sur 'Save & Train'.

Step 5: Dans Review & Train, confirmez le nom du projet, la catégorie Classification, le mode, le Project Folder et le résumé du dataset, puis cliquez sur 'Save & Train'.

Après le démarrage de l'entraînement, ouvrez les détails du projet pour confirmer la configuration Classification et examiner les métadonnées pendant la création du modèle.

Step 6: Après le démarrage de l'entraînement, ouvrez les détails du projet pour confirmer la configuration Classification et examiner les métadonnées pendant la création du modèle.

Lorsqu'un modèle est disponible, ouvrez 'Test Model', accédez au dossier `test`, sélectionnez une image, puis cliquez sur 'Run Inference'.

Step 7: Lorsqu'un modèle est disponible, ouvrez 'Test Model', accédez au dossier `test`, sélectionnez une image, puis cliquez sur 'Run Inference'.

Consultez le panneau Inference result pour vérifier la prédiction principale et le score de chaque classe.

Step 8: Consultez le panneau Inference result pour vérifier la prédiction principale et le score de chaque classe.
© CarbGeM Inc. All Rights Reserved.
About Us
Terms and Conditions
Privacy Policy