在线模型训练
01科技（01Studio）在线训练模型网站适用于用户需要自己训练视觉模型场景，无需代码，拖放图片构建数据集，简单几步，即可生成强大的YOLO11视觉模型。训练完成后自动生成模型文件和python脚本，可直接在开发板上运行。
在线训练网站链接：https://ai.01studio.cc
支持平台：01Studio CanMV K230 / CanMV K230 mini （请使用v1.3以上版本镜像）
支持视觉识别类型：图像分类、图像检测
注册登录
打开 https://ai.01studio.cc ，点击右上角登录按钮
可以通过手动注册或微信、Github关联账号一键登录（当前关联登录仍然需要邮件或手机号码验证。）
登录后点击右上角 【头像--个人主页】 可查看或修改自己的个人信息
训练分类模型
视觉分类是对图片进行识别分类，输出这张图片大概率是什么物品。（无位置矩形框）
这里准备了一个简单的数据集给大家测试使用，点击下载： 示例数据集（分类） ，里面包含了苹果和鼠标各数十张图片。
创建数据集
点击 模型训练--数据集--创建数据集 :
进入后输入数据集名称（自定义），然后选择分类，点击创建。
可以看到新建了一条数据集。
数据集ID：所有数据集唯一编号；数据集名称：自己定义的数据集名称；类型：视觉识别类型，这里是分类；创建时间：数据集的创建时间；最后更新时间：数据集最后编辑时间；操作：包含编辑和删除按钮（删除目前不可恢复）。
点击右边操作的编辑按钮，首次进入会提示新建一个标签，这里我们训练苹果和鼠标分类识别，先创建苹果标签 apple （标签尽量使用英文，避免某些开发板无中文库无法使用）
创建后左边列表栏出现了apple标签，点击右边按钮可以编辑修改。
点击【上传图片到训练集】
点击【添加图片】
将前面下载的示例数据集中的apple图片的选中：
点击【上传到训练集】
同样方法再上传几张图片到验证集。训练集用于训练，验证集用于每轮训练考核。验证集数量一般为数据集数量的10%~30%即可。
点击【创建标签】，然后新建一个鼠标（mouse）标签。
选中mouse标签:
按前面的方法将示例数据集的鼠标图片上传到训练集和数据集。
开始训练
点击数据集上方 【创建训练任务】：
配置训练参数：参数一般情况下按默认配置即可。
目标板：这里选中CanMV K230 (CanMV K230和CanMV K230 mini都选这个)；nncase版本：不同镜像可能有所区别，具体看镜像文件名；模型类型：会根据数据集自动选择；模型规模：开发板一般选n或s，其它运行速度可能很慢。
训练轮次：推荐100-200轮即可，大部分场景随着轮次增加不会有太多改善，当前最大允许500轮；模型尺寸：数值变大精度会提升，但运行时间长。一般推荐320。批量大小（batch）：默认16，如果图片数量较多（一千张）可以选中32以提升训练速度；最大学习率（lr0）：默认0.01，一般情况下无需调整；
点击【提交】后自动跳转到训练界面：
左边是项目信息，右上方是训练日志，右下方是训练结果图表。以下图为例，模型在第5次后识别准确率达100%，效果非常好。
点击左侧导航栏--训练记录 即可看到所有训练项目信息。点击右边【详情】按钮进入：
训练完成后可以点击【下载】按钮下载模型和代码文件。
部署运行
模型文件下载后解压。可以看到有4个文件:
分别是：
yolo11n_cls_320.kmodel：适用于CanMV K230/CanMV K230 mini的模型文件val.jpg：用于测试图片demo的图片demo-picture.py：识别图片demo，会用到val.jpgdemo-camera.py: 使用摄像头识别
将yolo11n_cls_320.kmodel 和val.jpg拖动到CanMV K230 sdcart根目录：
基于图片
在CanMV K230 IDE打开 demo-picture.py 代码，运行即可在缓冲区看到识别结果。
基于摄像头
在CanMV K230 IDE打开 demo-camera.py 代码，即可通过摄像头进行识别。
代码中的display参数可以实现不同的显示方式：hdmi、lcd3_5(3.5寸mipi屏)和lcd2_4(2.4寸mipi屏，通常是CanMV K230 mini)
训练检测模型
图像检测是将图片中训练时的物体类型识别出来，并使用方框进行标注。
这里准备了一个简单的数据集给大家测试使用，点击下载： 示例数据集（检测） ，里面包含了苹果和香蕉各数十张图片已经标注好的label.txt文件。
train里面的是训练集，val里面的是验证集。
创建数据集
点击 模型训练--数据集--创建数据集 :
进入后输入数据集名称（自定义），然后选择检测，点击创建。
可以看到新建了一条数据集。
数据集ID：所有数据集唯一编号；数据集名称：自己定义的数据集名称；类型：视觉识别类型，这里是分类；创建时间：数据集的创建时间；最后更新时间：数据集最后编辑时间；操作：包含编辑和删除按钮（删除目前不可恢复）。
点击【编辑】按钮进入编辑数据集，然后点击上传图片：
先上传到训练集：
将示例数据集train文件夹里全部图片添加上传。
在右边创建一个标签，名称为apple，颜色自定义一下。
创建完成如下图：
然后再创建一个香蕉的标签 banana 。（提示：创建完点击右边小按钮可以重新编辑）
图片标注
接下来我们就可以标注图片，从第一张图片开始：
先选中标签栏的苹果，然后使用鼠标框出苹果。完成后如下图，左边有个方框，里面有个数字1，右边下方为标注框信息。
同样方法再标注香蕉。
最后用同样的方法将所有图片的苹果和香蕉标注出来。
训练集标注完成后将val文件夹图片上传到验证集。训练集用于训练，验证集用于每轮训练考核。验证集数量一般为数据集数量的10%~30%即可。
然后使用与前面训练集同样方法进行标注。
下面这个位置可以筛选训练集、验证集 以及是否已经标准的图片。
至此检测数据集标注完成。
平台目前支持上传和导出标注文件，当前仅支持YOLO TXT 格式，每个TXT文件对应一张图片的所有标注目标，每一行代表一个目标，每行格式为： <类别索引> <目标中心点x> <目标中心点y> <目标宽度w> <目标高度h>
示例检测数据集里面带一个和图片同名的txt文件是标注信息文件。可以直接上传导入。
点击上传标注文件：
导入后如标签名称不一致手动修改即可。
开始训练
完成标注后点击数据集上方 【创建训练任务】：
配置训练参数：参数一般情况下按默认配置即可。
目标板：这里选中CanMV K230 (CanMV K230和CanMV K230 mini都选这2个)；模型类型：会根据数据集自动选择；模型规模：开发板一般选n或s，其它可能跑不起。训练轮次：推荐100-200轮即可，大部分场景随着轮次增加不会有太多改善，当前最大允许500轮；模型尺寸：数值变大精度会提升，但运行时间长。一般推荐224或320。批量大小（batch）：默认16，如果图片数量较多（一千张）可以选中32以提升训练速度；最大学习率（lr0）：默认0.01，一般情况下无需调整；
点击【提交】后自动跳转到训练界面：
左边是项目信息，右上方是训练日志，右下方是训练结果图表。以下图为例，模型在100轮训练后最终mAP50值为0.94（>0.8），mAP50-mAP50-95值为0.65(>0.5)，效果非常好。
点击左侧导航栏--训练记录 即可看到所有训练项目信息。点击右边【详情】按钮进入：
训练完成后可以点击【下载】按钮下载模型和代码文件。
部署运行
模型文件下载后解压。可以看到有4个文件:
分别是：
yolo11n_det_320.kmodel：适用于CanMV K230/CanMV K230 mini的模型文件val.jpg：用于测试图片demo的图片demo-picture.py：识别图片demo，会用到val.jpgdemo-camera.py: 使用摄像头识别
基于图片
在CanMV K230 IDE打开 demo-picture.py 代码，运行即可在缓冲区看到识别结果。
基于摄像头
在CanMV K230 IDE打开 demo-camera.py 代码，即可通过摄像头进行识别。
代码中的display参数可以实现不同的显示方式：hdmi、lcd3_5(3.5寸mipi屏)和lcd2_4(2.4寸mipi屏，通常是CanMV K230 mini)