CV Python Tigerpro 平台已打通 「数据集 → 抽帧 → 标注 → 构建 → 训练 → 部署 → 检测」 全链路，实现 AI 训练模型闭环
导读：过去做目标检测，往往要在 LabelMe、Roboflow、本地脚本之间来回切换；训练完的权重还要手动拷贝、注册、对接推理服务。 如今，CV Python Tigerpro 平台已打通 「数据集 → 抽帧 → 标注 → 构建 → 训练 → 部署 → 检测」 全链路，让业务同学也能在浏览器里完成模型迭代。
文章目录
- **CV Python Tigerpro** 平台已打通 **「数据集 → 抽帧 → 标注 → 构建 → 训练 → 部署 → 检测」** 全链路，实现 AI 训练模型闭环
-
- 一、我们为什么要做「训练闭环」？
- 二、平台闭环总览
- 三、Step 1：新建数据集（yolo_flat）
- 四、Step 2：视频抽帧——10 秒视频轻松得到 200+ 样本
- 五、Step 3：数据标注——浏览器里完成「框选」
- 六、Step 4：构建——一键生成 YOLO 训练集
- 七、Step 5：训练任务——YOLOv8 一键开训
- 八、Step 6：部署到模型管理——立刻用于视频检测
- 九、闭环的最后一公里：视频检测与火箭遥测
- 十、技术架构简述（给开发者）
- 十一、适用场景与展望
- 十二、写在最后
-
- 附录：快速操作清单
一、我们为什么要做「训练闭环」？
在跟踪、工业质检、水位监测等场景中，通用预训练模型常常 「能用，但不够准」：
- 误把背景结构当成目标（如着陆平台钢架被识别为箭体）
- 场景差异大（机型、机位、光照与预训练数据不一致）
- 业务方手里往往只有 几十秒到几分钟的实拍视频，却缺少成体系的标注与训练工具
因此，平台在原有 模型管理 / 图片检测 / 视频检测 能力之上，新增两大模块：
| 模型训练 | 数据集管理、YOLOv8 训练、验证、导出、一键部署 |
| 数据标注 | 视频批量抽帧、Canvas 在线画框、YOLO 标签自动保存 |
最终实现：不用离开平台，就能训出自己的专属检测模型。
二、平台闭环总览
整条链路可概括为 6 步：
新建数据集(yolo_flat)
↓
视频抽帧（200+ 张）
↓
数据标注（在线画框）
↓
构建（train/val 划分 + data.yaml）
↓
训练任务（YOLOv8）
↓
部署到模型管理 → 视频/图片检测
图 ：模型训练模块中的闭环流程指引
三、Step 1：新建数据集（yolo_flat）
进入 模型管理 → 模型训练 → 数据集管理，点击 「新建数据集」：
- 数据格式：选择 yolo_flat（扁平 YOLO，适合平台内抽帧 + 在线标注）
- 类别名称：按业务填写，例如场景：
- Rocket Body（箭体）
- Engine Flames（尾部火焰）
- 训练比例：建议 0.8（80% 训练 / 20% 验证）
图 ：新建 yolo_flat 数据集并配置检测类别
小贴士：类别名需与后续标注、训练保持一致；构建时系统会自动将 raw/images 与 raw/labels 配对并划分训练集/验证集。
四、Step 2：视频抽帧——10 秒视频轻松得到 200+ 样本
无需 FFmpeg 命令行。在数据集列表点击 「抽帧」，上传业务视频即可。
推荐参数（10s @ 30fps 视频）：
| 抽帧间隔 | 1 | 每 1 帧保存 1 张，约 300 张 |
| 最大帧数 | 250 | 控制上限，避免冗余 |
| 起始/结束秒 | 0 / 0 | 0 表示到视频末尾 |
抽帧完成后，图片自动保存至：
uploads/datasets/<id>/raw/images/frame_00001.jpg
uploads/datasets/<id>/raw/images/frame_00002.jpg
…
图 4：抽帧完成，平台引导进入标注环节
五、Step 3：数据标注——浏览器里完成「框选」
切换到 「数据标注」 Tab（或从数据集行点击 「标注」）：
- 左侧：样本列表（已标 / 未标一目了然）
- 中间：Canvas 画框（拖拽绘制 bbox）
- 顶部：切换当前类别、保存、上一张 / 下一张
快捷键：
| ← / → | 切换上一张 / 下一张 |
| Del | 删除选中框 |
| Ctrl + S | 保存当前图标注 |
标注结果自动写入 YOLO 格式：
raw/labels/frame_00001.txt
图 5：在线标注界面，支持多类别框选
标注建议（）：
- Rocket Body：只框箭体圆柱段，不含烟雾顶部与平台钢架
- Engine Flames：只框发动机火焰区域
- 尽量覆盖上升、下降、近台、远台等多种姿态
六、Step 4：构建——一键生成 YOLO 训练集
标注完成后，回到 数据集管理，点击 「构建」。
平台将自动完成：
uploads/datasets/<id>/yolo/
├── images/train|val
├── labels/train|val
└── data.yaml
预览页还可查看 标注进度（已标张数、总框数等）。
七、Step 5：训练任务——YOLOv8 一键开训
进入 「训练任务」 Tab，新建任务：
| 数据集 | 选择上一步已构建（状态：就绪）的数据集 |
| 基座模型 | yolov8n.pt（快）或 yolov8s.pt（更准） |
| epochs | 80 ~ 150 |
| batch | 8 ~ 16（视 GPU 显存） |
| imgsz | 640（竖屏视频可保持默认） |
点击 「启动」 后，可实时查看：
- 训练进度与 epoch
- mAP50 等指标
- 损失曲线、混淆矩阵等图表
图 ：创建 YOLOv8 训练任务
图 ：训练过程实时监控
八、Step 6：部署到模型管理——立刻用于视频检测
训练完成后，在任务详情中点击 「部署」：
- 自动将 best.pt 注册到 模型管理
- 填写模型名称、标识（如 china_rocket_model）、分类等
- 部署完成后，图片检测 / 视频检测 页即可直接选用
九、闭环的最后一公里：视频检测与火箭遥测
以为例，选择自定义模型（如 china_rocket_model）或 Roboflow 预训练模型，在 视频检测 页上传视频，平台将自动叠加：
- 检测框：箭体（黄色）、尾部火焰（红色）
- 箭体十字丝：虚线准星，辅助姿态对齐
- 右上角遥测 HUD：
- 下降速度（米/秒）
- 垂直角度（度）
- 水平角度（度）
图 ：在视频检测页选用自训练模型
十、技术架构简述（给开发者）
| 前端 | Vue3 + Element Plus，/ai/training 训练与标注页 |
| 后端 API | backend/routes/training.py（数据集 / 抽帧 / 标注 / 训练） |
| 抽帧服务 | backend/services/dataset_annotation.py |
| 训练引擎 | Ultralytics YOLOv8 |
| 推理叠加 | backend/inference.py（火箭遥测、十字丝、后处理） |
| 数据存储 | backend/uploads/datasets/、backend/uploads/training/ |
十一、适用场景与展望
当前闭环特别适合：
- ✅ 短视频快速迭代（10s → 200+ 帧 → 自训练模型）
- ✅ 垂直领域小样本检测（火箭、工业设备、安防等）
- ✅ 需要 「训完即用」 的 Web 化交付
后续规划方向：
- 标注质量质检（未标注拦截、类别分布告警）
- 主动学习 / 难例帧自动筛选
- 更多任务类型（分割、姿态）训练支持
十二、写在最后
从一段 10 秒业务视频，到一套可部署的检测模型，再到带遥测信息的追踪视频——全程在浏览器内完成。
这就是 CV Python Tigerpro 平台正在落地的 AI 工程化能力：不让数据与模型停在文件夹里，而是让它们真正跑在业务视频上。
附录：快速操作清单
- 模型训练 → 新建数据集（yolo_flat + 类别）
- 数据集 → 抽帧（上传视频）
- 数据标注 → 画框 → 保存
- 数据集 → 构建
- 训练任务 → 新建 → 启动
- 训练完成 → 部署到模型管理
- 视频检测 → 选择自训练模型 → 开始检测
AI 工程化能力：不让数据与模型停在文件夹里，而是让它们真正跑在业务视频上。
