Roboflow与CooVally|基于RetinaNet算法的数据集训练哪家强？

海洋占领全球面积的71%，随着“海洋强国”战略的实施，也加剧了海岛空间的信息应用。

由于海岛的地势地貌比较复杂，常规的人工测量难以完成地理空间采集任务，现有的卫星遥感技术不仅分辨率较低，而且成本高且易受天气影响。

但是随着无人机遥感技术的发展与应用，其不仅具有高时效性、低成本的特点，同时还有高自动化的专业处理软件的支持，能够满足海洋地区获取地理空间信息的要求，可以高效率的完成海洋环境监测的重任。

那么本次基于RetinaNet算法对海洋上的小目标无人机检测的数据进行训练，使用的是一款线上的平台：CooVally，可以帮助用户快速筛选可用AI模型。

https://coovally.com/https://coovally.com/

下图是本次使用的数据集信息：

数据集标签如下图。

接下来点击对应的标签进行参数设置，毕竟高空俯视，目标比较小，所以选择了RetinaNet，一共进行了10次实验，每次实验迭代了30次。

接下来，等待平台的训练结果，其实并不需要一直守着看训练数据，这一点点赞！

训练结束后，可以查看到关于此次训练任务总览，可以看到此次训练共耗时44分钟52秒，其中最好的一次评价指标达到了0.7424。

其中还有5次耗费时间比较短，是因为训练结果不理想，平台提早终止了训练，避免造成不必要的资源和时间的浪费。

然后来看看其他的信息。

数据详情中，可以看到训练使用的数据标签一共有840个，5个类别。标签分布的扇形比例图中，各个标签比例及数量一目了然。

在实验结果中，可以看到每次迭代的详细指标，随着迭代次数的增加，实验结果逐渐收敛。

在训练损失中也可以看到，随着训练而逐渐收敛成一条接近X轴的水平直线。

最后，选择训练mAP最好的一次进行模型转换。本次训练最高的mAP达到0.7424，比我之前在Roboflow上训练的mAP还要高很多。

CooVally平台训练列表详情

Roboflow训练数据详情

在部署的时候，可以云端或者边端进行模型部署，此次我选择的是云端部署，其实不管是哪种部署，对最终产生的结果并没有什么改变。

模型部署成功后，便可以上传图片进行识别了！成功率达到95%以上！

所以在CooVally，从数据上传到模型部署仅需要3步便可以完成，所以你还在等什么？