Llaves metricas
Los puntajes de mAP, Precisión y Recuperación se proporcionan para todos los modelos entrenados con Roboflow Train y a través de los cuadernos en Roboflow Model Zoo .
mapa
- "Al evaluar un modelo de detección de objetos en visión por computadora, la precisión promedio promedio es la métrica más comúnmente citada para evaluar el rendimiento".
Precisión
- Una medida de la precisión de un modelo en el momento de la predicción. Los verdaderos positivos se dividen por todos los positivos que se han adivinado.
Recuerdo
- Una medida de rendimiento para un sistema de predicción. La recuperación se utiliza para evaluar si un sistema de predicción adivina lo suficiente. Los verdaderos positivos se dividen entre todos los posibles verdaderos positivos.
Predicción
- Un intento de un modelo de replicar la verdad básica. Una predicción normalmente contiene un valor de confianza para cada clase.
Anotación de imágenes para la detección de objetos
La mejor manera de anotar imágenes para la detección de objetos (video)
Siete consejos para etiquetar imágenes para visión artificial (Blog de Roboflow)
La diferencia entre anotaciones faltantes y nulas (Blog de Roboflow)
- Formatos disponibles para importar y exportar en Roboflow
Herramientas clave para el control de calidad de conjuntos de datos
conjunto de datos Chequeo de salud
- Documentación (comprobación del estado del conjunto de datos)
Comprobación del estado del conjunto de datos, tutorial guiado
5 estrategias para manejar clases desequilibradas (Blog de Roboflow)
Preprocesamiento y aumento
"Basura dentro basura fuera."
Este viejo adagio de aprendizaje automático transmite un punto destacado de aprendizaje automático: a menos que los datos de entrada sean de alta calidad, la precisión del modelo , incluso con las mejores arquitecturas de visión por computadora, se verá afectada. Comprender en qué consisten el preprocesamiento y el aumento permite a los científicos de datos aprovechar al máximo sus datos de entrada.
preprocesamiento
Los pasos de preprocesamiento son cambios de imagen que se realizan en todas las imágenes, como cambiar el tamaño o convertirlas a escala de grises. Los pasos de preprocesamiento se aplicarán a los conjuntos de entrenamiento, validación y prueba.
Los pasos de preprocesamiento son cambios de imagen que se realizan en todas las imágenes, como cambiar el tamaño o convertirlas a escala de grises. Los pasos de preprocesamiento se aplicarán a los conjuntos de entrenamiento, validación y prueba.
Aumento
Los pasos de aumento de imagen son cambios de imagen diseñados solo para aumentar el tamaño del conjunto de datos para un mejor rendimiento, como la alteración aleatoria del brillo o la rotación. Los pasos de aumento de imagen se aplicarán solo a las imágenes de entrenamiento.
Aumento del nivel del cuadro delimitador
El aumento de nivel genera nuevos datos de entrenamiento al alterar solo el contenido de los cuadros delimitadores de una imagen de origen. Al hacerlo, los desarrolladores tienen un mayor control sobre la creación de datos de entrenamiento que sean más adecuados para las condiciones de su problema.
- Aumentos de nivel de cuadro delimitador (Blog de Roboflow )
Aprendizaje de estrategias de aumento de datos para la detección de objetos - Equipo de investigación de Google (2019)
Entrenamiento de modelos con un solo clic (tren Roboflow)
Introducción (Vídeo)Integraciones de capacitación de terceros (Pro)
AWS, Azure Custom Vision, Google Cloud Vision AutoML
- AWS y Azure Custom Vision requieren que se ingresen claves de terceros en el espacio de trabajo de su proyecto. Estos puntos de acceso deben configurarse en su cuenta de AWS o Azure de destino para habilitar la integración con Roboflow.
Seguimiento de objetos de tiro cero
- ¿Qué es el seguimiento de objetos Zero Shot? (Entrada de blog) | Video
- Cómo implementar el seguimiento de objetos (publicación de blog)
- Seguimiento de objetos Zero Shot - Repositorio de Github
Consejos para la producción de modelos
Características: Específico, Alcanzable, Medible
La guía definitiva para la detección de objetos (Blog de Roboflow)
Resolviendo el Problema Fuera de Alcance (Roboflow Blog) | Video
- ¿Qué experimentará nuestro modelo "en la naturaleza...?"
A través del proceso de ensamblaje del conjunto de datos, nuestro enfoque láser podría pasar por alto una gran cantidad de casos extremos que naturalmente consideraríamos fuera del alcance de nuestro modelo. Si bien las instancias fuera del alcance son intuitivas para nosotros, nuestro modelo no tiene forma de saber nada más allá del alcance de lo que se ha mostrado.
Aumentos para conjuntos de datos aéreos (Blog de Roboflow)
Consejos de aprendizaje activo (Blog de Roboflow) | Video
Introducción al aprendizaje por transferencia (Blog de Roboflow)
Fusión de conjuntos de datos (documentación de Roboflow)