Accéder à votre graphique d'entraînement

Pour accéder à votre graphique d'entraînement, vous devez d'abord entraîner un modèle avec un crédit Roboflow Train . Tous les nouveaux espaces de travail sont accompagnés de 3 crédits Roboflow Train gratuits .

• Choisir entre les tailles de modèle de vision par ordinateur - inclut des informations sur le modèle FAST par rapport au modèle ACCURATE

Guide de démarrage rapide

Les modèles formés avec Roboflow Train vous donnent la possibilité d'accéder à un point de contrôle personnalisé d'étiquetage assisté par modèle pour l'automatisation de l'étiquetage sur vos projets, le test de votre modèle dans l'onglet Déployer et nos solutions de déploiement simplifiées.

• Entraînement de votre premier modèle : Roboflow Train

Une fois l'entraînement de votre modèle terminé, sélectionnez "Détails" dans l'interface utilisateur pendant que vous affichez la version de l'ensemble de données entraîné .

• Précision moyenne moyenne (mAP)
• Précision et rappel

Un guide pour la production de modèles

Le graphique d'entraînement pour la version 7 ( v7, Roboflow -FAST-model ) de l'ensemble de données de détection de visage sur la section en vedette de l'univers Roboflow ressemble à ceci :

Comment lire le graphique d'entraînement :

Axe Y

• Une valeur en pourcentage (%) sous forme décimale.

Axe X

• Le numéro d'époque pour le point de données.
• Une époque correspond au nombre de fois que toutes vos données d'entraînement seront exécutées sur le réseau de votre architecture de modèle.
  • par exemple , l'entraînement pour 100 époques signifie que vos données d'entraînement parcourront 100 fois le réseau de votre architecture de modèle complète.
  • Pour vous entraîner pour un nombre personnalisé d'époques, utilisez la bibliothèque de modèles Roboflow après avoir généré une version de votre ensemble de données et l'avoir exportée vers le bloc-notes de votre choix.

box_loss

• Mieux connu sous le nom de « perte de boîte ».
• Une métrique de perte, basée sur une fonction de perte spécifique, qui mesure à quel point les cadres de délimitation prédits sont « proches » des objets de vérité terrain (les étiquettes sur les images de votre ensemble de données).
• Une valeur inférieure indique que votre modèle s'améliore pour la généralisation et crée de meilleurs cadres de délimitation autour des objets que l'ensemble de données a été étiqueté pour identifier.
  • Astuce : étiquetez avec des cadres de délimitation serrés pour vous assurer d'obtenir les lectures les plus précises possibles. Guide d'étiquetage : détection d'objets .

perte_cls

• Mieux connu sous le nom de « perte de classification ».
• Une métrique de perte, basée sur une fonction de perte spécifique, qui mesure l'exactitude de la classification de toutes les boîtes englobantes prévues. Chaque boîte englobante individuelle peut contenir une classe d'objets ou une « étiquette d'arrière-plan » (image nulle) .

carte

• Pour calculer mAP pour la détection d'objets , vous calculez la précision moyenne pour chaque classe dans vos données en fonction des prédictions du modèle. La précision moyenne est liée à l'aire sous la courbe précision-rappel, ou AUC, pour une classe donnée dans votre ensemble de données. La moyenne de ces précisions moyennes pour les classes individuelles vous donne la précision moyenne moyenne ou mAP.

Remarque : mAP est influencé par l'intersection sur l'union, ou IoU, des étiquettes de vérité terrain et des boîtes englobantes prévues.

L'intersection sur l'Union ( IoU ) est mesurée comme la quantité d'une boîte englobante prévue qui chevauche la boîte englobante de vérité terrain, divisée par la surface totale des deux boîtes englobantes.

mAP_0.5

• Mieux connu sous le nom de "précision moyenne moyenne avec un IoU de 0,50 ou 50 %".
• La précision moyenne moyenne (mAP) avec des prédictions évaluées comme un « objet détecté » à une intersection sur l'Union (IoU) supérieure à 0,5, ou 50 %.

mAP_0.5:0.95

• Mieux connu sous le nom de "précision moyenne moyenne avec un intervalle IoU de 0,50 à 0,95, ou 50 % à 95 %".
• La précision moyenne moyenne (mAP) avec des prédictions évaluées comme un « objet détecté » à une intersection sur l'Union (IoU) supérieure à 0,50 et inférieure ou égale à 0,95 (50 % à 95 %).

précision

• Mesure de la précision d'un modèle au moment de la prédiction. Les vrais positifs sont divisés par tous les positifs qui ont été devinés.

rappeler

• Mesure des performances d'un système de prédiction. Le rappel est utilisé pour évaluer si un système de prédiction est suffisant. Les vrais positifs sont divisés par tous les vrais positifs possibles.

former

• Il s'agit des métriques de votre ensemble d'entraînement [split].

val

• Il s'agit des métriques de votre ensemble de validation [split].

La séparation de l'entraînement, de la validation et des tests

Si vous n'êtes pas satisfait de vos résultats, vous pouvez tirer parti du système de gestion des jeux de données de Roboflow et des tentacules de code, tels que le package Python et l' API de téléchargement , pour ajouter plus d'images à votre projet et améliorer vos résultats dans la prochaine tentative de formation et lorsque le modèle est ensuite testé et déployé.

Mettre en œuvre l'apprentissage actif

Vérification de l'état de l'ensemble de données pour l'amélioration du modèle

Vous rencontrez toujours des problèmes ? Envoyez un e-mail à help@roboflow.com ou publiez sur notre forum communautaire pour obtenir de l'aide.

Pour ceux qui travaillent sur une preuve de concept d'entreprise ou sur des plans Roboflow payants , soumettez un formulaire de contact ou contactez votre représentant de support Roboflow dédié pour obtenir de l'aide.