AiDStudio 训练管理
定位：离线训练引擎、MLflow 实验追踪，Celery 异步执行 + GPU 资源调度。训练产物直接进入评估部署流程（ONNX / RKNN / BModel）。
功能矩阵
| 功能 | 用户操作 | 实现方式 |
|---|---|---|
| 训练配置 | 填参数 / 导入 JSON | TrainConfig CRUD，支持导出复用 |
| 启动训练 | 选配置 + 数据集 → 提交 | Celery 异步任务（gpu_tasks 队列） |
| 实时监控 | 训练页面查看进度/曲线 | WebSocket 推送 |
| 训练取消 | 点击取消 | Celery revoke |
| GPU 调度 | 自动分配 / 排队 | Scheduler + GPU 资源表 |
| 数据集快照 | 自动创建 | TrainDatasetSnapshot（可复现） |
| 超参数搜索 | 启用 Optuna | 自动多轮训练（P2） |
| 大图滑窗训练 | 启用滑窗模式 | 自动切图 + 训练（P2） |
标注训练 vs 正式训练
平台区分两种训练用途，避免"用错配置"：
| 维度 | 标注训练（标注模块） | 正式训练（本模块） |
|---|---|---|
| 目的 | 辅助标注（产出预标注服务） | 最终部署模型 |
| epochs | 30–50 | 100–300+ |
| 数据增强 | 轻度 | 完整（mosaic / hsv / flip） |
| 模型规模 | n / s | n / s / m / l / x |
| 产出 | → 预标注服务（迭代闭环用） | → MLflow → ONNX → AiDBox/AiDCam |
训练配置（TrainConfig）关键字段
| 字段 | 默认值 | 说明 |
|---|---|---|
| task_type | detect | detect / segment / classify / obb（检测 / 分割 / 分类 / 旋转框） |
内置训练配方：快速检测 / 标准检测 / 标准分割 / 标准旋转框 / 标准分类，按任务类型一键选用。 | model_name | yolov8n 等 | Ultralytics 模型（yolov8n ~ yolov11x） | | epochs | 200 | 训练轮数 | | batch_size | 16 | 批大小（受 GPU 显存约束） | | imgsz | 640 | 输入尺寸 | | optimizer / lr0 / lrf | AdamW / 0.001 / 0.01 | 优化器与学习率策略 |
配置支持 JSON 导入/导出——同一套超参可在项目间复用。
实验追踪（MLflow）
-
每次训练自动记录：参数、数据集快照版本、指标曲线；
-
实验对比：跨轮次/跨配置的 mAP 与损失对比视图；
-
最优模型（best.pt）自动存入 model-store，供评估部署使用。