Principais métricas
As pontuações mAP, Precision e Recall são fornecidas para todos os modelos treinados com o Roboflow Train e por meio dos notebooks no Roboflow Model Zoo .
mapa
- "Ao avaliar um modelo de detecção de objetos em visão computacional, a precisão média média é a métrica mais comumente citada para avaliar o desempenho. "
Precisão
- Uma medida de quão preciso é um modelo no momento da previsão. Os verdadeiros positivos são divididos por todos os positivos que foram adivinhados.
Lembrar
- Uma medida de desempenho para um sistema de previsão. O recall é usado para avaliar se um sistema de previsão está adivinhando o suficiente. Os verdadeiros positivos são divididos por todos os possíveis verdadeiros positivos.
Predição
- Uma tentativa de um modelo de replicar a verdade fundamental. Uma previsão geralmente contém um valor de confiança para cada classe.
Anotando imagens para detecção de objetos
A melhor maneira de anotar imagens para detecção de objetos (vídeo)
Sete dicas para rotular imagens para visão computacional (Blog Roboflow)
A diferença entre anotações ausentes e nulas (Blog do Roboflow)
- Formatos disponíveis para importação e exportação no Roboflow
Principais ferramentas para controle de qualidade do conjunto de dados
Conjunto de dados Exame de saúde
- Documentação (verificação de integridade do conjunto de dados)
Verificação de integridade do conjunto de dados, passo a passo guiado
5 estratégias para lidar com classes desequilibradas (Roboflow Blog)
Pré -processamento e Aumento
"Entra lixo, sai lixo."
Esse velho ditado de aprendizado de máquina transmite um ponto importante de aprendizado de máquina: a menos que os dados de entrada sejam de alta qualidade, a precisão do modelo - mesmo com as melhores arquiteturas de visão computacional - sofrerá. Entender o que o pré-processamento e o aumento são essenciais permite que os cientistas de dados tirem o máximo proveito de seus dados de entrada.
Pré-processando
As etapas de pré-processamento são alterações de imagem feitas em todas as imagens, como redimensionamento ou conversão para escala de cinza. As etapas de pré-processamento serão aplicadas aos conjuntos de treinamento, validação e teste.
As etapas de pré-processamento são alterações de imagem feitas em todas as imagens, como redimensionamento ou conversão para escala de cinza. As etapas de pré-processamento serão aplicadas aos conjuntos de treinamento, validação e teste.
Aumento
As etapas de aumento de imagem são alterações de imagem projetadas apenas para aumentar o tamanho do conjunto de dados para obter melhor desempenho, como alterar aleatoriamente o brilho ou a rotação. As etapas de aumento de imagem serão aplicadas apenas às imagens de treinamento.
Aumento do nível da caixa delimitadora
o aumento de nível gera novos dados de treinamento alterando apenas o conteúdo das caixas delimitadoras de uma imagem de origem. Ao fazer isso, os desenvolvedores têm maior controle sobre a criação de dados de treinamento mais adequados às condições de seus problemas.
- Aumentos de nível de caixa delimitadora (Blog Roboflow)
Estratégias de aumento de dados de aprendizagem para detecção de objetos - Equipe de pesquisa do Google (2019)
Treinamento de modelo de um clique (Trem Roboflow)
Introdução (vídeo)Integrações de treinamento de terceiros (Pro)
AWS, Azure Custom Vision, Google Cloud Vision AutoML
- AWS & Azure Custom Vision exigem que chaves de terceiros sejam inseridas no espaço de trabalho do seu projeto. Esses pontos de acesso devem ser configurados em sua conta AWS ou Azure de destino para permitir a integração com o Roboflow.
Rastreamento de Objeto Zero Shot
- O que é o rastreamento de objetos Zero Shot? (postagem do blog) | Vídeo
- Como implementar o rastreamento de objetos (post do blog)
- Zero Shot Object Tracking - Repositório do Github
Dicas de produção de modelos
Características: Específico, Alcançável, Mensurável
O guia definitivo para detecção de objetos (Blog Roboflow)
Resolvendo o problema fora do escopo (Blog Roboflow) | Vídeo
- Qual será a experiência do nosso modelo "na natureza...?"
Por meio do processo de montagem do conjunto de dados, nosso foco de laser pode perder uma série de casos extremos que naturalmente consideraríamos fora do escopo do nosso modelo. Embora as instâncias fora do escopo sejam intuitivas para nós, nosso modelo não tem como saber nada além do escopo do que foi mostrado.
Aumentos para conjuntos de dados aéreos (Blog do Roboflow)
Dicas de Aprendizado Ativo (Blog do Roboflow) | Vídeo
Uma cartilha sobre aprendizagem de transferência (Blog do Roboflow)
Mesclando conjuntos de dados (documentação do Roboflow)