MIND+2.0版本测试人脸表情数据集

因为Mind+使用的YOLO 模型，它是目标检测领域最经典、最实用的算法之一，之前使用yolo制作的面部表情数据集正好用于测试。数据集中包含“愤怒”、“高兴”、“平淡”。Mind+模型训练工具是一款集 AI 模型训练、测试与快速体验于一体的智能工具，支持图像、音频、姿势和文本等多种 AI 任务。

1.打开mind+进入目标检测

2.进入后发现快速体验中的数据量很清晰，设置数据集→对数据集训练→部署模型并校验。

3.Mind+可以直接导入YOLO数据集。直接选择experience数据集进行测试。进入高级模式——数据设置。

4.导入之前所准备的YOLO数据集，将文件压缩成.zip格式压缩文件。data.yaml是配置文件，用于告诉模型数据集的路径、类别信息等关键参数。这里要注意一点，在之前yolo使用过程中使用配置文件会定义数量并命名，在mind+中直接用字典（键值对集合）。导入数据集。

5.一种表情准备了8张图片数据用于训练模型，因为平淡的人脸特征不是很明显，不知能否识别出来。查看标注数据，一定要选数据集。因为用之前的标注工具标注过，所以现在标注信息是直接呈现的。

6.进入模型训练，首先对训练参数设置，因为模型选择了yolov8n，参数设置图片增大，批次32次，训练轮次200次，因为yolo最少要训练200次才能提高训练效果。

7.开始训练，这里要注意训练时有两个图表，图表的作用要注意。从深度学习模型训练过程中训练损失（train_loss）和验证/测试损失（val_loss/test_loss）的变化趋势出发， train_loss 不断下降，val_loss(test_loss) 不断下降模型在训练集上的误差持续降低，在 unseen 的验证 / 测试集上误差也持续降低。这是最理想的训练状态，说明模型在 “学习有用的模式”，且这些模式具备泛化能力，能迁移到新数据上。看训练的数据还算比较理想。

8.本次训练大约10多分钟，对电脑的CPU要求比较高，所以测试尽量选择高性能处理器。将模型导出，模型为best.pt(最好的)，格式为onnx，导出后为后面用M10测试模型和二哈2.0测试模型做准备。

9.使用单张图片测试一下，用数据集中的图片，检测效果成功。