模型训练
模型训练的目的是使用生成的训练数据进行神经网络模型训练，根据设置参数，不断地对模型迭代评估，以得到可用的神经网络模型。
内置了Pytorch、PaddlePaddle 等开源框架，结合不同的数据集类别对机器学习或深度学习模型进行训练，整体训练过程通过多次迭代（epoch）的方式来得到训练结果更优的网络模型，同时在训练模型中使用基于大规模基础训练数据的预训练模型，减少训练时间，通过超参数调优（如：Batchsize）提升模型训练效率和准确度。
功能入口
- 功能入口：工具箱->机器学习->视频分析->模型训练。
参数说明
- 训练数据路径：选择通过图片样本管理生成的训练数据所在的文件夹。
- 模型算法：根据模型用途选择合适的模型算法。提供：YOLOv5x、YOLOv5l、YOLOv5m、YOLOv5s、YOLOv5m、YOLOv7-E6E、YOLOv7-D6、YOLOv7-E6、YOLOv7-W6、YOLOv7-X、YOLOv7、YOLOv7-Tiny。
- 训练次数：模型训练的次数(epoch)，默认值为 10。随着训练次数的增多，模型拟合度越大，次数太多可能会出现过拟合的情况，用户可根据需求选择，训练次数与运行花费时间成正比。
- 训练图片大小：设置用于模型训练的图片大小，默认为640。图片越大，检测精度越高，但召回率会降低。因此需要根据实际情况给定训练图片大小，提高检测性能，同时要求图片大小必须是32的倍数。
- 单步运算量：一次训练中单步运算的图片数量(Batch Size)，默认值为0。在合理范围内，单步运算的数量与内存（显存）占用成正比，与训练时间成反比。当模型算法为YOLOv7时，需要指定单步运算量大小，不自动计算。
- 加载预训练模型：若勾选该选项，可选择前一次训练的训练日志路径作为预训练模型的路径，会在前一次的基础上进行训练。注意：前后两次训练需要训练数据的尺寸、类别和用途相同。
- 模型存储路径：设置训练的结果模型存储路径。
- 模型名：设置模型的名称。
- 数据源：设置用于存储属性表和影像的数据源。
- 属性表：输出模型训练结果的属性表。在模型训练中，会生成.csv文件记录每次训练的模型精度等信息，训练结束后会将这些信息转换为属性表存储到数据源中。生成的.csv如下图：
- 影像：输出模型训练影像。模型训练结果会以图表的形式表示，如下图为输出结果的影像信息。
