Accediendo a tu gráfico de entrenamiento

Para acceder a su gráfico de entrenamiento, primero deberá entrenar un modelo con un crédito de Roboflow Train . Todos los espacios de trabajo nuevos vienen con 3 créditos Roboflow Train gratis .

• Elección entre tamaños de modelos de visión artificial : incluye información sobre el modelo RÁPIDO frente al modelo PRECISO

Guía de inicio rápido

Los modelos entrenados con Roboflow Train le brindan la posibilidad de acceder a un punto de control de etiquetado asistido por modelo personalizado para automatizar el etiquetado en sus proyectos, probar su modelo en la pestaña Implementar y nuestras soluciones de implementación simplificadas.

• Entrenamiento de su primer modelo: Roboflow Train

Una vez que se complete el entrenamiento de su modelo, seleccione "Detalles" dentro de la interfaz de usuario mientras ve la versión del conjunto de datos entrenado.

• Precisión media media (mAP)
• Precisión y recuperación

Una guía para la producción de modelos

El gráfico de entrenamiento para la versión 7 ( v7, Roboflow -FAST-model ) del conjunto de datos de detección de rostros en la sección destacada de Roboflow Universe se ve así:

Cómo leer el gráfico de entrenamiento:

eje Y

• Un valor de porcentaje (%), en formato decimal.

eje X

• El número de época para el punto de datos.
• Una época es la cantidad de veces que todos sus datos de entrenamiento se ejecutarán a través de la red de su arquitectura modelo.
  • por ejemplo , el entrenamiento para 100 épocas significa que sus datos de entrenamiento se ejecutarán a través de la red de su arquitectura modelo completa 100 veces.
  • Para entrenar para un número personalizado de épocas, use la biblioteca de modelos de Roboflow después de generar una versión de su conjunto de datos y exportarlo al cuaderno de su elección.

box_loss

• Mejor conocido como “box loss”.
• Una métrica de pérdida, basada en una función de pérdida específica, que mide qué tan "ajustados" están los cuadros delimitadores predichos a los objetos reales (las etiquetas en las imágenes de su conjunto de datos).
• Un valor más bajo indica que su modelo está mejorando para la generalización y creando mejores cuadros delimitadores alrededor de los objetos que el conjunto de datos ha sido etiquetado para identificar.
  • Consejo: etiquete con cuadros delimitadores ajustados para asegurarse de obtener las lecturas más precisas posibles. Guía de etiquetado: Detección de objetos .

cls_loss

• Mejor conocida como “pérdida de clasificación”.
• Una métrica de pérdida, basada en una función de pérdida específica, que mide la corrección de la clasificación de todos los cuadros delimitadores previstos. Cada cuadro delimitador individual puede contener una clase de objeto o una "etiqueta de fondo" (Imagen nula) .

mapa

• Para calcular mAp para la detección de objetos , calcule la precisión promedio para cada clase en sus datos según las predicciones del modelo. La precisión promedio está relacionada con el área bajo la curva de recuperación de precisión, o AUC, para una clase dada en su conjunto de datos. La media de esta precisión promedio para las clases individuales le da la Precisión promedio media o mAP.

Nota: mAP se ve influenciado por la Intersección sobre la Unión, o IoU, de las etiquetas de verdad del suelo y los cuadros delimitadores previstos.

La intersección sobre la unión ( IoU ) se mide como la cantidad de un cuadro delimitador predicho que se superpone con el cuadro delimitador real del terreno, dividido por el área total de ambos cuadros delimitadores.

mapa_0.5

• Mejor conocido como "Precisión media media con un IoU de 0,50 o 50%".
• La precisión promedio promedio (mAP) con predicciones evaluadas como un "objeto detectado" en una intersección sobre unión (IoU) superior a 0,5 o 50 %.

mAP_0.5:0.95

• Mejor conocido como "Precisión media media con un intervalo IoU de 0,50 a 0,95, o 50% a 95%".
• La precisión promedio promedio (mAP) con predicciones evaluadas como un "objeto detectado" en una intersección sobre unión (IoU) superior a 0,50 y menor o igual a 0,95 (50 %-95 %).

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.

tren

• Esto se refiere a las métricas para su conjunto de entrenamiento [split].

valor

• Esto se refiere a las métricas para su conjunto de validación [split].

La división de capacitación, validación y prueba

Si no está satisfecho con sus resultados, puede aprovechar el sistema de administración de conjuntos de datos de Roboflow y los tentáculos de código, como el paquete de Python y la API de carga, para agregar más imágenes a su proyecto y mejorar sus resultados en el próximo intento de entrenamiento y cuándo se prueba e implementa el modelo.

Implementando el aprendizaje activo

Comprobación del estado del conjunto de datos para la mejora del modelo

¿Sigues teniendo problemas? Envíe un correo electrónico a help@roboflow.com o publique en nuestro foro de la comunidad para obtener ayuda.

Para aquellos que trabajan en una prueba de concepto empresarial o en planes de pago de Roboflow , envíe un formulario de contacto o comuníquese con su representante de soporte de Roboflow dedicado para obtener ayuda.