Modelltraining

Modell erstellen

Über Create Model wird ein neues KI-Modell angelegt und für das Training konfiguriert.

Voraussetzung für die Modellerstellung ist, dass bereits ein Datensatz hochgeladen und mindestens eine Datensatzversion gespeichert wurde. Nur versionierte Datensätze können für das Training verwendet werden.

Allgemeine Modellinformationen

• Name: Eindeutiger Name des Modells.
• Description: Optionale Beschreibung des Modells und des vorgesehenen Einsatzzwecks.

Datensatzkonfiguration

• Dataset: Auswahl des Datensatzes, der für das Training verwendet werden soll. Es werden nur Datensätze angezeigt, für die bereits eine Version angelegt wurde.
• Dataset version: Auswahl der zu verwendenden Datensatzversion. Die Version stellt einen festen und reproduzierbaren Stand des Datensatzes dar. Änderungen am Datensatz nach der Versionierung beeinflussen bestehende Trainingskonfigurationen nicht.

Laufzeit- und Zielsystemkonfiguration

• Latency threshold in ms: Definiert die maximal zulässige Ausführungszeit des KI-Modells auf dem Zielsystem. Dieser Wert wird während der Modellerstellung berücksichtigt, um ein geeignetes Modell hinsichtlich Genauigkeit und Laufzeitverhalten auszuwählen.
• Target device: Auswahl der Zielhardware, auf der das Modell später ausgeführt werden soll.
• CPU: Auswahl der verwendeten CPU-Konfiguration des Zielsystems.
• GPU option: Optionale Auswahl einer unterstützten GPU-Konfiguration.
• Target software: Definiert die TwinCAT-Zielumgebung für die spätere Inferenz, beispielsweise:
• TF3820 | TwinCAT 3 Machine Learning Server
• TF7810 | TwinCAT 3 Vision Neural Network
• Execution provider (EP): Definiert die Ausführungsumgebung der Inferenzengine Machine Learning Server, beispielsweise CPU oder CUDA (NVIDIA GPU).
• Number of cores used for inference: Legt die Anzahl der CPU-Kerne fest, die für die spätere Modellausführung verwendet werden. Bei Verwendung von TF7810 bezieht sich dieser Wert auf isolierte CPU-Kerne innerhalb des Vision Job Pools. Bei Verwendung von TF3820 mit Execution Provider = CPU entspricht der Wert der Anzahl verfügbarer CPU-Kerne des User-Mode-Prozesses des TwinCAT Machine Learning Servers. Dabei werden ausschließlich User-Mode-Kerne verwendet. Auf Systemen mit Hybridarchitektur werden ausschließlich Performance-Kerne (P-Cores) berücksichtigt.

Modell erstellen

• Über Submit wird die Trainingskonfiguration gespeichert. Das Training muss dann auf der Modellkarte gestartet werden.
• Über Cancel wird der Dialog ohne Änderungen geschlossen.

Modellkarte

Die Modellkarte zeigt den aktuellen Status sowie die wichtigsten Konfigurations- und Leistungsdaten eines KI-Modells.

Der Titel der Karte entspricht dem Modellnamen.

Modellaktionen

Im oberen Bereich stehen verschiedene Aktionen zur Verfügung:

• Analyse öffnen: Öffnet die Analyse- und Explainability-Ansicht des Modells.
• Modell herunterladen: Lädt das trainierte Modell herunter.
• Modell bearbeiten: Öffnet die Modellkonfiguration zur Bearbeitung der Metadaten
• Modell löschen: Entfernt das Modell aus dem Projekt.
• Start Training: Startet einen Trainingslauf für das Modell. Beachten Sie die Regelungen zur Compute-Hours-Verrechnung.

Modellinformationen

• Status: Zeigt den aktuellen Zustand des Modells an. Mögliche Zustände sind beispielsweise:
• Submitted
• Waiting
• Running
• Finished (inkl. Zeitstempel, wann das Modell diesen Zustand erreicht hat)
• Error
• Description: Optionale Beschreibung des Modells
• Dataset: Zeigt den verwendeten Datensatz einschließlich der verwendeten Datensatzversion. Über das Suchsymbol kann der zugehörige Datensatz geöffnet werden.
• Labels: Zeigt die im Datensatz enthaltenen Klassen beziehungsweise Zielkategorien.
• Target device: Zeigt die konfigurierte Zielhardware einschließlich CPU-, GPU- und Execution-Provider-Konfiguration.
• Target Software: Zeigt die konfigurierte TwinCAT-Zielumgebung für die spätere Inferenz.
• Target latency threshold: Zeigt die konfigurierte maximale Ziellatenz für die Modellausführung.

Trainings- und Performanceinformationen

• Performance: Zeigt die erreichte Modellgüte als Prozentwert. Die dargestellte Kennzahl basiert auf den während der Validierung berechneten Testergebnissen.
• Training Time Gesamtdauer des Trainingsprozesses.
• Estimated latency: Geschätzte Laufzeit des Modells auf der konfigurierten Zielhardware.
• Training History: Über Loss History kann der Verlauf des Trainingsprozesses visualisiert werden. Dabei werden die Trainingsmetriken einzelner Epochen dargestellt.