Reva
ห้องแล็บ ML ส่วนตัว ในเครื่องของคุณเอง
ติดป้ายกำกับ เทรน ส่งออก และจัดการชุดข้อมูลและโมเดล โดยไม่ต้องเขียนโค้ด Reva เปลี่ยนภาพของคุณให้เป็นโมเดล AI เฉพาะ เก็บข้อมูลไว้บนฮาร์ดแวร์ของคุณ และนำโมเดลไปใช้ใน Nara ได้ในขั้นตอนเดียว
[ 01 ]สอน AI ให้รู้จักสินค้าของคุณ
จากภาพดิบสู่โมเดลที่ใช้งานจริง บนเครื่องของคุณเอง
AI สำเร็จรูปไม่รู้จักสินค้า ชิ้นส่วน หรือตำหนิของคุณ Reva ปิดช่องว่างนั้น นำเข้าหรือถ่ายภาพ จัดเป็นชุดข้อมูลที่มีเวอร์ชัน ติดป้ายกำกับด้วยเครื่องมือที่รวดเร็วหรือให้ AI ติดป้ายเบื้องต้น ปรับสมดุลข้อมูลด้วย augmentation แล้วเทรนโมเดลตรวจจับและจำแนกได้ในไม่กี่คลิก เปรียบเทียบการทดลอง ดูตัวชี้วัด แล้วส่งออกโมเดลที่ดีที่สุดไปยัง Nara ซึ่งเริ่มทำงานบนไลน์ผลิตได้ทันทีโดยไม่ต้องตั้งค่า
[ 02 ]ฟีเจอร์
ครบทั้งวงจรชีวิตของโมเดล โดยไม่ต้องเขียนโค้ด
01
การจัดการข้อมูลและชุดข้อมูล
โปรเจกต์และชุดข้อมูลในที่เดียว พร้อมเวอร์ชันและการแบ่ง train/validation/test นำเข้าจากรูปแบบมาตรฐานพร้อมการจัดการข้อมูลซ้ำ และประวัติการแก้ไข
02
การติดป้ายกำกับ
กรอบสี่เหลี่ยม กรอบหมุน พอลิกอน จุดสำคัญ มาสก์ และป้ายระดับภาพ พร้อมคีย์ลัดสำหรับการติดป้ายปริมาณมาก
03
การติดป้ายอัตโนมัติ
ติดป้ายภาพเบื้องต้นด้วยโมเดลพื้นฐานแบบ zero-shot จากคำสั่งข้อความ หรือด้วยโมเดลที่คุณเทรนเอง แล้วตรวจทานและแก้ไข ส่วน augmentation ช่วยลดอคติและเพิ่มข้อมูลเทรน
04
การเทรนและประเมินผล
การทดลองที่กำหนด augmentation ไฮเปอร์พารามิเตอร์ และตารางเวลาได้ คิวการเทรน กราฟ loss และตัวชี้วัดสด การหยุดก่อนกำหนด และการเปรียบเทียบแบบเคียงข้าง พร้อมการปรับไฮเปอร์พารามิเตอร์อัตโนมัติในแพ็กเกจที่รองรับ
05
ผลลัพธ์ที่เชื่อถือได้
ดู mAP และตัวชี้วัดอื่น บันทึก และเวลาที่เหลือขณะเทรน แล้วเลือกการทดลองที่ดีที่สุด
06
การส่งออกและนำไปใช้
ส่งออกเป็น Nabrio Model (NAM) เพื่อใช้ใน Nara ได้ทันที เป็น ONNX สำหรับรันไทม์อื่น หรือเป็น PyTorch เพื่อพัฒนาต่อ
[ 03 ]Reva และ Nara
เทรนที่นี่ รันที่นั่น และปรับปรุงด้วยสิ่งที่ Nara เห็น
01 · train
Reva
ติดป้ายกำกับ ติดป้ายอัตโนมัติ และเทรนโมเดลด้วยภาพของคุณเอง
- โมเดล → NAM ไม่ต้องตั้งค่า
02 · run
Nara
รันในโฟลว์ที่รับรู้ ตัดสินใจ และลงมือทำ บนฮาร์ดแวร์ของคุณ
- ภาพใหม่จากการผลิต → เทรนใหม่
[ 04 ]สำหรับใคร
สิ่งที่ Reva มอบให้แต่ละทีม
- วิศวกร QA และวิศวกรกระบวนการโมเดลตรวจตำหนิและชิ้นส่วนเฉพาะ โดยไม่ต้องมีนักวิทยาศาสตร์ข้อมูล
- ทีมติดป้ายกำกับเครื่องมือติดป้ายที่รวดเร็ว การติดป้ายอัตโนมัติด้วย AI และบทบาทผู้ตรวจทาน
- ทีมข้อมูลและ MLชุดข้อมูลที่มีเวอร์ชัน การทดลองที่ทำซ้ำได้ รูปแบบมาตรฐาน และการส่งออกเป็น ONNX และ PyTorch
- ทีม IT และการปฏิบัติตามกฎเทรนในสถานที่ ไม่มีการอัปโหลดภาพไปยังคลาวด์ของบุคคลภายนอก
- ธุรกิจต้นทุนต่ำกว่าการจ้างภายนอก และเป็นเจ้าของทั้งข้อมูลและโมเดล
- ผู้สร้างโซลูชันโมเดลเฉพาะสำหรับผลิตภัณฑ์ที่สร้างบน Nara และเอนจินเทรนของตัวเองผ่านปลั๊กอินบนมาตรฐาน MCP
[ 05 ]งานด้านภาพ
สิ่งที่ติดป้ายและเทรนได้วันนี้
| งาน | ติดป้าย | ติดป้ายอัตโนมัติ | เทรน |
|---|---|---|---|
| การตรวจจับวัตถุ | ✓ | ✓ | ✓ |
| การจำแนกภาพ (ป้ายเดียว) | ✓ | ✓ | ✓ |
| การจำแนกภาพแบบหลายป้าย | ✓ | ✓ | ✓ |
| การแบ่งส่วนภาพแบบ instance, semantic และ panoptic | ✓ | กำลังจะมา | |
| การตรวจจับจุดสำคัญ | ✓ | กำลังจะมา |
ปลั๊กอินเทรนที่ใช้ได้ในปัจจุบัน: MMDet และ RF-DETR สำหรับการตรวจจับวัตถุ และการจำแนกภาพ (ป้ายเดียวและหลายป้าย) และมีปลั๊กอินเพิ่มเติมกำลังพัฒนา ปลั๊กอินใช้มาตรฐานเปิด Model Context Protocol (MCP) พาร์ทเนอร์และลูกค้าจึงเพิ่มเอนจินเทรนของตัวเองได้
[ 06 ]รูปแบบข้อมูล
นำชุดข้อมูลที่มีอยู่มาใช้ได้เลย
| รูปแบบ | นำเข้า | ส่งออก |
|---|---|---|
| COCO / COCO (Reva) | ✓ | ✓ |
| Pascal VOC (standard and flat / LabelImg) | ✓ | ✓ |
| YOLO (Ultralytics, Darknet, Roboflow; flat / LabelImg) | ✓ | ✓ |
| Image classification folders | ✓ | ✓ |
| Image classification TXT / CSV | ✓ |
[ 07 ]ทำงานในเครื่อง
เป็นส่วนตัวและรองรับหลายผู้ใช้
Reva ทำงานบนเวิร์กสเตชันหรือเซิร์ฟเวอร์ของคุณเอง ภาพและโมเดลจึงอยู่ในสถานที่ มีบทบาท 6 แบบสำหรับการทำงานเป็นทีม: Super Admin, Admin, Trainer, Annotator, Annotation Supervisor และ Monitor และมีบริการสำรองข้อมูลบนคลาวด์เป็นตัวเลือกในแพ็กเกจที่รองรับ
[ 08 ]แพลตฟอร์ม
เวิร์กสเตชัน Windows 11
การติดป้ายกำกับทำได้บนพีซีทั่วไป และเพิ่ม NVIDIA GPU เมื่อพร้อมจะเทรน
| การใช้งาน | ขั้นต่ำ |
|---|---|
| ติดป้ายกำกับอย่างเดียว | CPU quad-core 2 GHz, RAM 8 GB, พื้นที่ 500 MB บวกพื้นที่สำหรับชุดข้อมูล |
| การเทรน | CPU hexa-core 2 GHz, RAM 16 GB, พื้นที่ 10 GB, NVIDIA GPU (แนะนำ RTX 3060 / VRAM 8 GB ขึ้นไป) |
สอน AI ให้รู้จักสินค้าของคุณ
บอกเราว่าโมเดลของคุณต้องจดจำอะไร แล้วเราจะแสดงให้เห็นว่า Reva และ Nara พาจากภาพไปสู่ไลน์ผลิตได้อย่างไร