# Aggiornamento 2026-05-17 11:21

## Fine-tuning YOLO OCR completato

Sono state convertite le annotazioni Label Studio del progetto:

```text
project_id=4
nome=addestramento ocr
```

Dataset YOLO creato:

```text
C:\devel\yolo-ocr\dataset
```

Split:

```text
images=26
boxes=156
train=19
val=5
test=2
```

Training lanciato inizialmente su GPU, ma fallito per incompatibilita':

```text
GPU: NVIDIA GeForce GTX 1050
problema: PyTorch installato non supporta compute capability sm_61
errore: CUDA error: no kernel image is available for execution on the device
```

Training rilanciato e completato su CPU:

```powershell
yolo detect train data=C:\devel\yolo-ocr\dataset\data.yaml model=yolov8n.pt epochs=60 imgsz=640 batch=4 workers=0 device=cpu project=C:\devel\yolo-ocr\training_runs name=digits_yolov8n_demo_cpu patience=15 seed=42
```

Risultati finali su validation:

```text
precision: 0.603
recall:    0.556
mAP50:     0.753
mAP50-95:  0.582
```

Risultati su test:

```text
images:    2
boxes:     12
precision: 0.535
recall:    0.771
mAP50:     0.752
mAP50-95:  0.488
```

Artefatti stabili copiati in:

```text
C:\devel\yolo-ocr\models\udc_digits_yolov8n_demo.pt
C:\devel\yolo-ocr\models\udc_digits_yolov8n_demo.onnx
```

Riepilogo tecnico:

```text
C:\devel\yolo-ocr\TRAINING_SUMMARY.md
```

Interpretazione:

- il fine-tuning funziona;
- il modello addestrato e' molto piu' promettente del modello generico provato ieri;
- l'export ONNX funziona;
- il dataset e' pero' ancora troppo piccolo;
- la metrica mAP e' incoraggiante, ma ora serve misurare la lettura del codice intero, perche' per il WMS una sola cifra sbagliata rende errato tutto il codice UDC.