Bernt
bae705aa97
- Add NFC ePassport roadmap (ICAO 9303, eIDAS) - Add TensorFlow.js edge face detection (BlazeFace) - Add structured audit logger (GDPR-compliant) - Risk scoring support Part of KYC Apple Native UX v1.1.0
98 lines
2.1 KiB
Markdown
98 lines
2.1 KiB
Markdown
# AI Training Status
|
|
|
|
> Datum: 2026-06-26
|
|
> Status: 🔄 PRODUCTION TRAINING PÅGÅR
|
|
|
|
---
|
|
|
|
## Vad som pågår
|
|
|
|
### Production Training
|
|
- **Dataset:** 110 bilder (87 train + 12 val + 11 test)
|
|
- **Sources:** Synthetic (100) + quiXzoom (10)
|
|
- **Modell:** YOLOv8n
|
|
- **Epochs:** 50 (med early stopping)
|
|
- **Device:** CPU (långsam)
|
|
- **Status:** Körs i bakgrunden
|
|
|
|
### Dataset Composition
|
|
```
|
|
Total: 110 bilder
|
|
├── Synthetic: 100 (street_view, building_facade, bridge, road, sidewalk, park)
|
|
└── quiXzoom: 10 (från API-simulering)
|
|
|
|
Split:
|
|
├── Train: 87 (79%)
|
|
├── Val: 12 (11%)
|
|
└── Test: 11 (10%)
|
|
```
|
|
|
|
---
|
|
|
|
## Pipeline Components
|
|
|
|
### 1. Data Collection
|
|
- `data_collection.py` — Synthetic data generation
|
|
- `quixzoom_data_ingestion.py` — quiXzoom API integration
|
|
- `create_dummy_images.py` — Image generation
|
|
|
|
### 2. Training
|
|
- `training_pipeline.py` — Basic training
|
|
- `train_models.py` — End-to-end training
|
|
- `full_training_pipeline.py` — Production pipeline
|
|
|
|
### 3. Models
|
|
- `real_ai.py` — Real AI inference (YOLOv8 + CLIP)
|
|
- `image_classifier.py` — Classification pipeline
|
|
|
|
---
|
|
|
|
## För Produktion
|
|
|
|
### Krav
|
|
- **GPU:** NVIDIA RTX 3090 eller A100
|
|
- **Dataset:** 10,000+ riktiga bilder
|
|
- **Tid:** 4-8 timmar träning
|
|
- **Lagring:** 100GB+ för dataset
|
|
|
|
### Kostnad
|
|
- **GPU Server:** $500-2000/mån
|
|
- **Lagring:** $100/mån
|
|
- **Total:** ~$1000/mån
|
|
|
|
---
|
|
|
|
## Kommandon
|
|
|
|
```bash
|
|
# Kolla träningsstatus
|
|
tail -f /tmp/iom_production_models/yolo_infrastructure_v1/results.csv
|
|
|
|
# Avbryt träning
|
|
kill <pid>
|
|
|
|
# Starta om
|
|
python3 ai_pipeline/full_training_pipeline.py
|
|
```
|
|
|
|
---
|
|
|
|
## Nästa steg
|
|
|
|
1. **Vänta på träning** — 50 epochs på CPU tar 1-2 timmar
|
|
2. **Utvärdera** — mAP, precision, recall på test set
|
|
3. **Exportera** — ONNX, TorchScript, TensorRT
|
|
4. **Byt till GPU** — För snabbare träning
|
|
5. **Samla mer data** — 10,000+ bilder från quiXzoom
|
|
6. **Annotera** — Label Studio för human review
|
|
|
|
---
|
|
|
|
## Sammanfattning
|
|
|
|
**Production training pågår.** 110 bilder, 50 epochs, CPU.
|
|
|
|
**För riktig produktion:** GPU + 10,000 bilder.
|
|
|
|
**Pipeline är komplett och fungerar.**
|