levyflux/AViD

解決的問題

AViD 為在自訂資料集上微調 Grounding DINO（一種開放式詞彙物件偵測器）提供實用的工作流程。它讓團隊能在不承擔更新每個模型參數的計算成本下，將大型偵測器適應至特定領域物件。

工作原理

AViD 使用 LoRA（低秩適應）實作參數高效微調（PEFT），針對偵測器的注意力、投影、FFN、邊界框與特徵圖層。為穩定訓練，還包含可選的指數移動平均（EMA）。系統使用基於 CSV 的資料集讀取器，並提供完整的流程，包含 YAML 驅動的訓練、檢查點，以及專用的評估迴圈，用於 mAP、精確度與召回率等指標。

適用對象

專為需要在特定物件上訓練視覺-語言偵測器，但又希望避免全參數微調的開發人員與 AI 團隊設計。

主要亮點

• 參數高效適應：使用 LoRA 對特定層進行訓練，實現更快、更輕量的微調。
• 端到端工作流程：在一個倉儲中整合資料集載入、訓練、驗證與評估。
• 訓練穩定性：可選 EMA 支援，確保模型軌跡更平穩。
• 偵測導向評估：提供詳細的分類別摘要與視覺化對比。
• 靈活的入口點：包含 YAML 設定、Gradio 示範與單一影像推論腳本。