---
lang: th
title: "Reva: ติดป้ายกำกับข้อมูลและเทรนโมเดล AI โดยไม่ต้องเขียนโค้ด"
url: https://nabrio.com/th/reva
canonical: https://nabrio.com/th/reva
updated: 2026-10-27
publisher: Nabrio Co., Ltd. (nabrio.com)
---

# ห้องแล็บ ML ส่วนตัว ในเครื่องของคุณเอง

ติดป้ายกำกับ เทรน ส่งออก และจัดการชุดข้อมูลและโมเดล โดยไม่ต้องเขียนโค้ด Reva เปลี่ยนภาพของคุณให้เป็นโมเดล AI เฉพาะ เก็บข้อมูลไว้บนฮาร์ดแวร์ของคุณ และนำโมเดลไปใช้ใน Nara ได้ในขั้นตอนเดียว

## จากภาพดิบสู่โมเดลที่ใช้งานจริง บนเครื่องของคุณเอง

AI สำเร็จรูปไม่รู้จักสินค้า ชิ้นส่วน หรือตำหนิของคุณ Reva ปิดช่องว่างนั้น นำเข้าหรือถ่ายภาพ จัดเป็นชุดข้อมูลที่มีเวอร์ชัน ติดป้ายกำกับด้วยเครื่องมือที่รวดเร็วหรือให้ AI ติดป้ายเบื้องต้น ปรับสมดุลข้อมูลด้วย augmentation แล้วเทรนโมเดลตรวจจับและจำแนกได้ในไม่กี่คลิก เปรียบเทียบการทดลอง ดูตัวชี้วัด แล้วส่งออกโมเดลที่ดีที่สุดไปยัง Nara ซึ่งเริ่มทำงานบนไลน์ผลิตได้ทันทีโดยไม่ต้องตั้งค่า

## สิ่งที่ Reva มอบให้แต่ละทีม

- **วิศวกร QA และวิศวกรกระบวนการ**: โมเดลตรวจตำหนิและชิ้นส่วนเฉพาะ โดยไม่ต้องมีนักวิทยาศาสตร์ข้อมูล
- **ทีมติดป้ายกำกับ**: เครื่องมือติดป้ายที่รวดเร็ว การติดป้ายอัตโนมัติด้วย AI และบทบาทผู้ตรวจทาน
- **ทีมข้อมูลและ ML**: ชุดข้อมูลที่มีเวอร์ชัน การทดลองที่ทำซ้ำได้ รูปแบบมาตรฐาน และการส่งออกเป็น ONNX และ PyTorch
- **ทีม IT และการปฏิบัติตามกฎ**: เทรนในสถานที่ ไม่มีการอัปโหลดภาพไปยังคลาวด์ของบุคคลภายนอก
- **ธุรกิจ**: ต้นทุนต่ำกว่าการจ้างภายนอก และเป็นเจ้าของทั้งข้อมูลและโมเดล
- **ผู้สร้างโซลูชัน**: โมเดลเฉพาะสำหรับผลิตภัณฑ์ที่สร้างบน Nara และเอนจินเทรนของตัวเองผ่านปลั๊กอินบนมาตรฐาน MCP

## ครบทั้งวงจรชีวิตของโมเดล โดยไม่ต้องเขียนโค้ด

- **การจัดการข้อมูลและชุดข้อมูล**: โปรเจกต์และชุดข้อมูลในที่เดียว พร้อมเวอร์ชันและการแบ่ง train/validation/test นำเข้าจากรูปแบบมาตรฐานพร้อมการจัดการข้อมูลซ้ำ และประวัติการแก้ไข
- **การติดป้ายกำกับ**: กรอบสี่เหลี่ยม กรอบหมุน พอลิกอน จุดสำคัญ มาสก์ และป้ายระดับภาพ พร้อมคีย์ลัดสำหรับการติดป้ายปริมาณมาก
- **การติดป้ายอัตโนมัติ**: ติดป้ายภาพเบื้องต้นด้วยโมเดลพื้นฐานแบบ zero-shot จากคำสั่งข้อความ หรือด้วยโมเดลที่คุณเทรนเอง แล้วตรวจทานและแก้ไข ส่วน augmentation ช่วยลดอคติและเพิ่มข้อมูลเทรน
- **การเทรนและประเมินผล**: การทดลองที่กำหนด augmentation ไฮเปอร์พารามิเตอร์ และตารางเวลาได้ คิวการเทรน กราฟ loss และตัวชี้วัดสด การหยุดก่อนกำหนด และการเปรียบเทียบแบบเคียงข้าง พร้อมการปรับไฮเปอร์พารามิเตอร์อัตโนมัติในแพ็กเกจที่รองรับ
- **ผลลัพธ์ที่เชื่อถือได้**: ดู mAP และตัวชี้วัดอื่น บันทึก และเวลาที่เหลือขณะเทรน แล้วเลือกการทดลองที่ดีที่สุด
- **การส่งออกและนำไปใช้**: ส่งออกเป็น Nabrio Model (NAM) เพื่อใช้ใน Nara ได้ทันที เป็น ONNX สำหรับรันไทม์อื่น หรือเป็น PyTorch เพื่อพัฒนาต่อ

## 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

## 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 | ✓ |  |

## เป็นส่วนตัวและรองรับหลายผู้ใช้

Reva ทำงานบนเวิร์กสเตชันหรือเซิร์ฟเวอร์ของคุณเอง ภาพและโมเดลจึงอยู่ในสถานที่ มีบทบาท 6 แบบสำหรับการทำงานเป็นทีม: Super Admin, Admin, Trainer, Annotator, Annotation Supervisor และ Monitor และมีบริการสำรองข้อมูลบนคลาวด์เป็นตัวเลือกในแพ็กเกจที่รองรับ

## 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) |