在计算机视觉领域，模型训练所需的图像数量是一个常被提及的问题。实际上，模型可以处理从100张到10,000张不等的图像，这完全取决于具体需求和所需的准确度水平。由于所需图像数量的差异很大，提倡构建一个机器学习管道，即MLops管道。这种管道能够从部署环境中引入数据，确保成功，因为能够通过主动学习不断改进模型。
可以从100张源图像开始，通过预处理和增强生成更多图像（现在可能达到500张图像！），然后部署模型开始捕获更多数据以输入到机器视觉模型中。随着新模型的添加或现有模型的更新，所需的训练图像数量也会发生变化。世界上主要的科技公司和大学的研究层出不穷，对于任何构建计算机视觉模型的人来说，技术的不断演变是一个挑战。因此，构建或使用允许在管道中即插即用模型的基础设施更为明智。
如果运行一个模型，并且持续得到“低”置信度评分，那么这些低分图像需要重新进入管道以改进模型。在添加更多数据后，将不可避免地得到一个不仅得分高，而且能够理解环境的所有可能性以及模型试图学习的真正特征的模型。更广泛地说，这就是MLops管道为所做的。它确保无论发生什么，模型都能继续工作。
零售商是一个很好的例子——假设供应商更换了他们的包装或进行了产品促销。如果使用的是一个有限且静态的模型，计算机视觉可能不再适用于库存管理，可能会面临严重的问题。通过使用MLops管道，将能够推断出新产品，并在新包装推出时（以及拥有非常大的数据集）快速训练模型。如果像一样喜欢早上吃含糖的谷物——它将检测到Fruitloops或Lucky Charms更换了盒子，但仍然能够识别“Fruitloops”或“Lucky Charms”这些词。
因此，甚至认为“训练”和“模型”有点商品化——最重要的是构建一个管道，以便可以训练任何最新和最伟大的模型。采取以数据为中心的方法（而不是以模型为中心的方法）来处理计算机视觉，并建议也这样做。对于大多数使用计算机视觉的人来说，适应、更新和更改训练他们模型的数据比编辑模型本身要容易得多。向保证，不需要博士学位就能使用Roboflow Annotate（或CVAT或LabelImg或VOTT或LabelMe或VGG），并且部署一个有用模型的能力是触手可及的。
下次当考虑如何最好地构建一个计算机视觉项目，并问自己“需要多少图像？！”或“需要多少更多的注释？！”时，强烈建议设置一个管道——Python包是一个简单的项目来设置。
以下是一个简单的Python代码示例，展示了如何设置一个基本的机器学习管道：
import some_ml_library
# 初始化模型
model = some_ml_library.initialize_model()
# 加载数据
data = some_ml_library.load_data('path/to/your/data')
# 训练模型
trained_model = some_ml_library.train_model(model, data)
# 评估模型
evaluation_results = some_ml_library.evaluate_model(trained_model, data)
# 部署模型
some_ml_library.deploy_model(trained_model)
这段代码只是一个示例，实际的实现细节会根据选择的机器学习库和项目需求而有所不同。重要的是要理解，通过构建一个灵活的管道，可以更容易地适应新的数据和模型，从而提高计算机视觉项目的成功率。
在计算机视觉领域，模型训练和数据增强是一个持续的过程。通过构建一个灵活的MLops管道，可以不断地改进模型，以适应不断变化的环境和技术。记住，关键在于数据，而不是模型本身。通过采取以数据为中心的方法，可以更容易地适应新的挑战，并确保模型始终保持最新和有效。
无论是初学者还是经验丰富的专业人士，都可以通过使用现有的工具和库来构建和部署有效的计算机视觉模型。只要愿意投入时间和精力，构建一个成功的计算机视觉项目是完全可能的。