随着计算机视觉行业的不断发展，致力于将最新的技术和实践融入平台和工具中。目标是让计算机视觉技术更加普及，一直在思考如何将最新的技术应用到产品中，以帮助更快地获得更好的模型。
在这篇文章中，将分析RoboflowTrain 3.0与其前身的准确性对比，展示新训练基础设施如何帮助构建更准确的计算机视觉模型。
让开始吧！
所有在Roboflow上训练的新的对象检测模型现在都将使用Train 3.0技术。如果已经在Train 2.0上训练过模型，可以在Roboflow产品中生成数据集的新版本，以开始使用新基础设施进行模型训练。
要训练一个新模型，请进入与项目相关的“版本”标签，如果需要，生成一个新版本，然后在仪表板上点击“开始训练”：
# 假设的代码示例
roboflow train --project your_project --dataset-version your_dataset_version
然后，将被询问是否要使用“快速”或“准确”训练选项：
这两种选项都已在Roboflow Train 3.0中升级，因此无论选择哪种选项，都可能会看到与之前的基础设施相比的性能提升。话虽如此，建议为了实验目的训练一个快速模型。
然后，将被询问是否要从检查点开始训练，可以在Roboflow文档中了解更多关于从检查点训练的信息。
当配置好训练作业后，将配置一台机器，模型将在该机器上进行训练。当训练开始时，将出现一个图表，显示训练作业的进度。这为提供了模型训练时的实时洞察。
模型训练所需的时间取决于数据集的大小等因素。当训练作业完成后，将通过电子邮件通知，模型已准备好使用。有了完成的模型，还可以查看更深入的评估指标。
为了评估Train 3.0，使用Train 2.0训练了五个模型，并为每个模型基准测试了mAP@0.5准确性和推理速度。然后，使用相同的数据集在Train 3.0上训练了五个模型，并基准测试了相同的指标。
下面，展示了从准确性和训练时间基准测试中发现的结果。
在评估的大多数数据集中，Roboflow Train 3.0实现了比其前身更高的mAP。在某些情况下，改进是微小的。在其他情况下，实现了超过20%的mAP增长。
在评估的所有数据集中，与Train 2.0相比，Train 3.0快速和准确选项的训练时间都更短。平均而言，使用Train 3.0的训练时间比Train 2.0快了41%。