Toegang tot uw trainingsgrafiek
Om toegang te krijgen tot uw trainingsgrafiek, moet u eerst een model met een Roboflow Train-tegoed trainen . Alle nieuwe werkplekken worden geleverd met 3 gratis Roboflow Train-credits .
- Kiezen tussen computer Vision -modelformaten - bevat inzichten over het FAST-model versus het ACCURATE-model
Modellen die met Roboflow Train zijn getraind, bieden u toegang tot een aangepast controlepunt voor modelondersteund labelen voor automatisering van labeling op uw projecten, het testen van uw model op het tabblad Deploy en onze vereenvoudigde implementatieoplossingen.
Nadat uw modeltraining is voltooid, selecteert u 'Details' in de gebruikersinterface terwijl u de versie van de getrainde dataset bekijkt.
De trainingsgrafiek voor versie 7 ( v7, Roboflow -FAST-model ) van de Face Detection-dataset op de Featured Section van Roboflow Universe ziet er als volgt uit:
Hoe de trainingsgrafiek te lezen:
Y-as
- Een percentage (%) waarde, in decimale vorm.
X-as
- Het epochenummer voor het gegevenspunt.
- Een epoche is het aantal keren dat al uw trainingsgegevens door het netwerk van uw modelarchitectuur lopen.
- bijv . training voor 100 tijdperken betekent dat uw trainingsgegevens 100 keer door het netwerk van uw volledige modelarchitectuur zullen lopen.
- Om te trainen voor een aangepast aantal tijdperken, gebruikt u de Roboflow nadat u een versie van uw dataset hebt gegenereerd en deze naar de notebook van uw keuze hebt geëxporteerd.
box_loss
- Beter bekend als 'boxverlies'.
- Een verliesstatistiek, gebaseerd op een specifieke verliesfunctie, die meet hoe 'strak' de voorspelde begrenzingsvakken zijn ten opzichte van de grondwaarheidsobjecten (de labels op de afbeeldingen van uw dataset).
- Een lagere waarde geeft aan dat uw model verbetert voor generalisatie en het creëren van betere begrenzingsvakken rond de objecten waarvan de gegevensset is gelabeld om te identificeren.
- Tip: label met strakke begrenzingskaders om ervoor te zorgen dat u de meest nauwkeurige metingen krijgt. Labeling Guide: Objectdetectie .
cls_loss
- Beter bekend als 'classificatieverlies'.
- Een verliesstatistiek, gebaseerd op een specifieke verliesfunctie, die de juistheid van de classificatie van alle voorspelde begrenzingsvakken meet. Elk afzonderlijk selectiekader kan een objectklasse of een "achtergrondlabel" (Null-afbeelding) bevatten.
kaart
- Om mAP voor objectdetectie te berekenen, berekent u de gemiddelde precisie voor elke klasse in uw gegevens op basis van de modelvoorspellingen. De gemiddelde precisie is gerelateerd aan het gebied onder de precisie-recall-curve, of AUC, voor een bepaalde klasse in uw dataset. Het gemiddelde van deze gemiddelde precisie voor de afzonderlijke klassen geeft u de gemiddelde gemiddelde precisie of mAP.
Opmerking: mAP wordt beïnvloed door Intersection over Union, of IoU, van grondwaarheidslabels en voorspelde begrenzingsvakken.
Intersection over Union ( IoU ) wordt gemeten als de hoeveelheid van een voorspeld begrenzingsvak dat overlapt met het grondwaarheidsbegrenzingsvak, gedeeld door het totale gebied van beide begrenzende vakken.
mAP_0.5
- Beter bekend als "gemiddelde gemiddelde precisie met een IoU van 0,50 of 50%".
- De gemiddelde gemiddelde precisie (mAP) met voorspellingen geëvalueerd als een "gedetecteerd object" op een kruispunt over Union (IoU) groter dan 0,5 of 50%.
mAP_0.5:0.95
- Beter bekend als "gemiddelde gemiddelde precisie met een IoU-interval van 0,50 tot 0,95, of 50% tot 95%".
- De gemiddelde gemiddelde precisie (mAP) met voorspellingen geëvalueerd als een "gedetecteerd object" op een kruispunt over Union (IoU) groter dan 0,50 en kleiner dan of gelijk aan 0,95 (50% -95%).
precisie
- Een maatstaf voor hoe nauwkeurig een model is op het moment van voorspelling. Echte positieven worden gedeeld door alle positieven die zijn geraden.
herinneren
- Een prestatiemaatstaf voor een voorspellingssysteem. Recall wordt gebruikt om te beoordelen of een voorspellingssysteem voldoende gissen. True positives worden gedeeld door alle mogelijke true positives.
trein
- Dit verwijst naar de statistieken voor je trainingsset [split].
val
- Dit verwijst naar de metrische gegevens voor uw validatieset [split].
De trein-, validatie- en testsplitsing
Als u niet tevreden bent met uw resultaten, kunt u profiteren van Roboflow 's datasetbeheersysteem en codetentakels , zoals het Python-pakket en de Upload API , om meer afbeeldingen aan uw project toe te voegen en uw resultaten te verbeteren in de volgende trainingspoging en wanneer het model de volgende keer wordt getest en ingezet.
Dataset Health Check voor modelverbetering
Nog steeds problemen? Stuur een e-mail naar help@roboflow.com of post in ons communityforum voor hulp.
Voor degenen die werken aan zakelijke Proof of Concepts of aan betaalde Roboflow abonnementen , dient u een contactformulier in of neemt u contact op met uw speciale Roboflow ondersteuningsvertegenwoordiger voor hulp.