Vzglyad-Detect Training Module

Русский | English

---

Русский

Этот модуль содержит переписанный с нуля код для обучения моделей архитектуры vzglyad-detect, не использует код Ultralytics под лицензией GPL-3 / AGPL-3.

Весь код написан с использованием стандартных библиотек (torch, opencv-python, numpy) и может свободно использоваться в коммерческих проектах без необходимости открывать исходный код вашего приложения.

Для запуска поместите всё по данной структуре (или скачайте из релизов):

Vzglyad/
├── inference (скачайте https://github.com/AlexeyRF/VZGLYAD-Detect)/
│   ├── example.py
│   ├── example_on_screen.py
│   ├── README.md
│   ├── LICENSE
│   └── vzglyad_vision/
│       ├── __init__.py
│       ├── blocks.py
│       ├── inference.py 
│       ├── model.py
│       └── utils.py
└── train/ (эти коды)
    ├── dataset.py
    ├── loss.py
    ├── metrics.py
    ├── README.md
    ├── train.py
    └── universal_model.yaml

Особенности

• Своя архитектура (universal_model.yaml)
• Встроенные аугментации
• Target Assignment без GPL: Написана кастомная функция потерь (loss.py), которая использует пространственное сопоставление (Spatial Target Assignment), GIoU и BCE Loss.

Структура

• dataset.py - загрузчик данных. Реализует аугментации и letterbox паддинг.
• loss.py - реализация функции потерь.
• train.py - основной скрипт цикла обучения. Загружает архитектуру из yaml словаря или из .pth модели.
• universal_model.yaml - конфиг архитектуры для старта обучения с нуля.

Как использовать

1. Подготовка данных

Данные должны быть в стандартном формате:

dataset/
├── images/
│   ├── image1.jpg
│   └── image2.jpg
└── labels/
    ├── image1.txt
    └── image2.txt

Note: Если у вас нет готовой структуры с train val, то скрипт сам разделит их 80/20. соотвтетственно

2. Запуск обучения

Вариант А: Обучение с нуля из словаря YAML (универсальная модель)

python train.py --data-dir path/to/dataset --cfg universal_model.yaml --scale n --epochs 100 --batch-size 16

Вариант Б: Дообучение базовой модели (.pth)

python train.py --data-dir path/to/dataset --model-path ../inference/your_model.pth --epochs 100

Доступные аргументы:

• --data-dir (обязательный): путь к папке с датасетом.
• --cfg: путь к YAML конфигу для старта с нуля.
• --model-path: путь к базовой модели .pth для дообучения.
• --scale: масштаб модели (например, n, s, m, l, x), если используется --cfg.
• --no-augment: отключить встроенные аугментации.
• --epochs: количество эпох (по умолчанию 100).
• --batch-size: размер батча (по умолчанию 16).
• --img-size: размер входного изображения (по умолчанию 640).
• --lr: learning rate (по умолчанию 0.001).

Обученная модель сохраняется в папку runs/train/.

---

English

This module contains a written-from-scratch training code for the vzglyad-detect architecture, not using Ultralytics code under the GPL-3 / AGPL-3 license.

All code is written using standard libraries (torch, opencv-python, numpy) and can be freely used in commercial projects without the requirement to open-source your application.

To run, place everything in this structure (or download from the releases):

Vzglyad/
├── inference (download https://github.com/AlexeyRF/VZGLYAD-Detect)/
│   ├── example.py
│   ├── example_on_screen.py
│   ├── README.md
│   ├── LICENSE
│   └── vzglyad_vision/
│       ├── __init__.py
│       ├── blocks.py
│       ├── inference.py 
│       ├── model.py
│       └── utils.py
└── train/ (this repo)
    ├── dataset.py
    ├── loss.py
    ├── metrics.py
    ├── README.md
    ├── train.py
    └── universal_model.yaml

Features

• Custom Architecture Layout (universal_model.yaml)
• Built-in Augmentations & Auto-split: Automatically applies advanced data augmentations on the fly. Automatically splits the dataset 80/20 into train/val if explicit split folders are missing.
• GPL-free Target Assignment: A custom loss function (loss.py) is implemented using Spatial Target Assignment, GIoU, and BCE Loss.
• Metrics & Plots: Automatically generates validation metrics (Precision, Recall, mAP@0.5) and dataset/training plots.

Structure

• dataset.py - Dataloader and Dataset implementation. Handles on-the-fly augmentations, auto-split, and letterbox padding.
• loss.py - Loss function implementation.
• train.py - Main training loop script. Dynamically loads architecture from a yaml dictionary or a base .pth model.
• universal_model.yaml - A configuration template for training custom detection models from scratch.

How to use

1. Data Preparation

Data must be in the standard format:

dataset/
├── images/
│   ├── image1.jpg
│   └── image2.jpg
└── labels/
    ├── image1.txt
    └── image2.txt

Note: If you don't have separate images/train and images/val folders, the script will automatically split the dataset 80/20.

2. Running Training

Option A: Train from scratch using a YAML dictionary (universal model)

python train.py --data-dir path/to/dataset --cfg universal_model.yaml --scale n --epochs 100 --batch-size 16

Option B: Fine-tune from a base .pth model

python train.py --data-dir path/to/dataset --model-path ../inference/your_model.pth --epochs 100

Available Arguments:

• --data-dir (required): Path to the dataset directory.
• --cfg: Path to a YAML configuration file to train from scratch.
• --model-path: Path to a base .pth model to fine-tune.
• --scale: Model scale parameter (e.g., n, s, m, l, x) when using --cfg.
• --no-augment: Disable built-in data augmentations.
• --epochs: Number of epochs (default: 100).
• --batch-size: Batch size (default: 16).
• --img-size: Input image size (default: 640).
• --lr: Learning rate (default: 0.001).

The trained model, plots, and dataset statistics are saved in the runs/train/ directory.