核心内容摘要
Flutter 三方库 toonx 的鸿蒙化适配指南 - 打造丝滑的补间动画与视觉反馈、助力鸿蒙端 UI 动效的极致流畅体验
红框内的“Start model training on annotation submission”是一个核心功能开关用于开启“主动学习”循环。
它的含义和工作原理如下 功能解释这是一个触发器。
当您勾选此选项并保存后意味着您告诉Label Studio“今后每当标注员提交一个标注结果请自动向我的机器学习后端发送一个信号告诉它‘有新的训练数据了你可以用这个新数据来重新训练或更新模型了。
’” 它是如何工作的主动学习循环初始状态您有一个基础的模型和一个未标注的数据集。
开启此开关您在Label Studio的模型设置中勾选此选项。
标注与触发标注员完成一张图片的标注并点击“提交”。
自动信号Label Studio不会自己训练模型而是立即向您指定的模型后端地址发送一个HTTP POST请求到/train接口并将这个新标注的数据信息传递过去。
后端响应您的机器学习后端比如一个用PyTorch写的服务在收到/train请求后才会启动训练流程用新数据更新模型。
模型更新新模型训练好后会自动同步回Label Studio为后续的数据进行更准确的预标注。
这样就形成了一个“标注 → 训练 → 预标注 → 再标注”的增强循环。
关键点
总结您需要知道的说明它做什么它是一个自动触发器将“标注完成”这个动作转化为“开始训练”的指令。
它不做什么它本身不执行训练。
训练任务发生在您自己部署的、能够处理/train请求的机器学习后端服务器上。
典型用途实现主动学习模型先用少量数据训练然后对大量未标注数据做预标注人工只修正错误修正后的数据立即触发模型再训练如此循环让模型在标注过程中快速变“聪明”。
手动替代如果不开启此选项您也可以通过在模型卡片的菜单中点击“Start training”来手动触发训练。
⚙️ 如何配置使用要使用此功能您必须已经配置好一个机器学习后端即一个能够接收/train请求并执行训练脚本的Web服务。
在该后端的代码中正确实现了处理/train这个API接口的逻辑。
简而言之这个红框选项是连接“人工标注”和“模型迭代”的自动化桥梁是提升AI项目效率的核心工具之一。
如果您想了解如何搭建一个能与Label Studio配合、接收/train请求的机器学习后端我可以为您提供更多详细信息。
Label Studio ML Backend 的代码框架中已经定义并部分实现了这个训练接口/train但它只是一个“骨架”。
** 真正的训练逻辑需要您根据自己项目的模型和需求来具体编写。
下面这个流程图清晰地展示了训练接口的完整工作流程以及您需要自行实现的核心部分mermaid flowchart TD A[Label Studio界面br标注完成并提交] -- B[HTTP POST 请求br发送至 ML Backend 的 /train 接口] B -- C{框架自动处理br解析请求 准备数据} C -- D[调用 train() 函数br这是需要您实现的核心] D -- E[您编写的训练逻辑br加载数据 更新模型 保存权重等] E -- F[框架自动处理br返回成功响应] F -- G[Label Studio 界面br显示训练任务状态]### 接口详情与实现方法 ML Backend 是一个基于 Python Flask 的 Web 服务器。
当您在 Label Studio 界面勾选 **“Start model training on annotation submission”** 后每次标注提交都会触发以下调用 - **请求端点**: POST http://your-ml-backend-address/train - **触发条件**: 标注任务被提交或更新。
- **请求数据**: 包含项目 ID、已标注任务的 ID 列表等。
#### 框架中已存在的部分 当您使用 label-studio-ml 包创建后端时框架已经处理了网络通信和路由。
您需要关注的核心文件是 my_machine_learning_backend.py或您自定义的文件其中包含一个继承自 LabelStudioMLBase 的类。
**框架已经为您准备好了“接收器”和“调度器”但“工人”训练逻辑需要您来雇佣和指挥。
** #### 需要您实现的核心部分 您必须在您的 ML 后端类中实现 train() 方法。
这个方法的框架如下 python from label_studio_ml.api import LabelStudioMLBase class MyBackend(LabelStudioMLBase): def train(self, completions, project, **kwargs): 核心训练函数 需要您自己实现 Args: completions: 新提交的标注数据 project: 项目信息 **kwargs: 其他参数 Returns: dict: 必须返回一个字典 包含训练结果信息 如新的模型版本号 #
从completions中解析出训练数据图片路径、标注框等 training_data self._parse_completions(completions) #
【您需要实现】加载当前的模型状态 # 例如: self.model torch.load(current_model.pth) #
【您需要实现】核心训练逻辑 # 使用新的 training_data 来更新您的模型 # 例如: # for epoch in range(epochs): # for images, targets in dataloader: # ... # 训练循环 #
【您需要实现】保存训练好的新模型 # 例如: torch.save(self.model.state_dict(), new_model.pth) new_model_version model_v
pth #
返回训练结果 其中model_version可用于后续预测 return { model_version: new_model_version, # 告知Label Studio新模型的版本 details: Training completed successfully! } def _parse_completions(self, completions): # 一个辅助函数 用于从Label Studio的标注格式中解析出模型需要的训练格式 # 例如 将JSON格式的标注转换为YOLO格式的txt文件 # 【这部分通常也需要大量自定义工作】 pass 更简单的替代方案对于许多场景不建议使用这个自动触发训练因为它可能很低效。
更常见的做法是手动触发训练在 Label Studio 中导出完整的数据集然后在独立的 Jupyter Notebook 或训练脚本中进行大规模的、一次性的模型训练。
使用 Webhook配置 Label Studio 的 Webhook当有足够多的新标注时触发一个外部 CI/CD 流水线例如 Jenkins、GitHub Actions来启动训练任务。
这种方法更可控资源利用也更高效。
总结/train接口已定义ML Backend 框架接收训练请求的“管道”是通的。
训练逻辑需自写您必须自己实现train()方法包括数据解析、模型加载、训练循环和模型保存等所有核心机器学习代码。
慎重使用对于生产环境频繁的增量训练可能并非最佳选择考虑使用手动训练或Webhook触发外部训练的方案通常更稳健。