Acessando seu gráfico de treinamento

Para acessar seu gráfico de treinamento, primeiro você precisa treinar um modelo com um crédito do Roboflow Train . Todos os novos espaços de trabalho vêm com 3 créditos gratuitos Roboflow Train .

• Escolher entre tamanhos de modelo de visão computacional - inclui informações sobre o modelo FAST vs. modelo PRECISO

Guia rápido

Os modelos treinados com Roboflow Train oferecem a capacidade de acessar um ponto de verificação de rotulagem assistida por modelo personalizado para automação de rotulagem em seus projetos, testando seu modelo na guia Implantar e nossas soluções de implantação simplificadas.

• Treinando seu primeiro modelo: Roboflow Train

Após a conclusão do treinamento do modelo, selecione "Detalhes" na interface do usuário enquanto visualiza a versão do conjunto de dados treinado .

• Precisão média média (mAP)
• Precisão e Recuperação

Um guia para produção de modelos

O gráfico de treinamento para a versão 7 ( v7, Roboflow -model ) do conjunto de dados Face Detection na seção em destaque do universo Roboflow é assim:

Como ler o gráfico de treinamento:

Eixo Y

• Um valor percentual (%), na forma decimal.

Eixo X

• O número de época para o ponto de dados.
• Uma época é o número de vezes que todos os seus dados de treinamento serão executados na rede de sua arquitetura de modelo.
  • por exemplo , treinamento para 100 épocas significa que seus dados de treinamento serão executados na rede de sua arquitetura de modelo completo 100 vezes.
  • Para treinar para um número personalizado de épocas, use o Roboflow Model Library depois de gerar uma versão do seu conjunto de dados e exportá-lo para o notebook de sua escolha.

box_loss

• Mais conhecido como “perda de caixa”.
• Uma métrica de perda, com base em uma função de perda específica, que mede o quão "apertadas" as caixas delimitadoras previstas são para os objetos de verdade (os rótulos nas imagens do seu conjunto de dados).
• Um valor mais baixo indica que seu modelo está melhorando para generalização e criando caixas delimitadoras melhores em torno dos objetos que o conjunto de dados foi rotulado para identificar.
  • Dica: rotule com caixas delimitadoras apertadas para garantir que você obtenha as leituras mais precisas possíveis. Guia de rotulagem: detecção de objetos .

cls_loss

• Mais conhecido como “perda de classificação”.
• Uma métrica de perda, baseada em uma função de perda específica, que mede a exatidão da classificação de todas as caixas delimitadoras previstas. Cada caixa delimitadora individual pode conter uma classe de objeto ou um “rótulo de fundo” (imagem nula) .

mapa

• Para calcular o mAP para detecção de objetos , você calcula a precisão média para cada classe em seus dados com base nas previsões do modelo. A precisão média está relacionada à área sob a curva de recuperação de precisão, ou AUC, para uma determinada classe em seu conjunto de dados. A média dessa precisão média para as classes individuais fornece a precisão média média ou mAP.

Nota: o mAP é influenciado pela Interseção sobre União, ou IoU, de rótulos de verdade do terreno e caixas delimitadoras previstas.

Intersecção sobre União ( IoU ) é medida como a quantidade de uma caixa delimitadora prevista que se sobrepõe à caixa delimitadora de verdade, dividida pela área total de ambas as caixas delimitadoras.

mAP_0,5

• Mais conhecido como "precisão média média com uma IoU de 0,50 ou 50%".
• A Precisão Média média (mAP) com previsões avaliadas como um “objeto detectado” em uma Interseção sobre União (IoU) maior que 0,5 ou 50%.

mAP_0,5:0,95

• Mais conhecido como "precisão média média com um intervalo de IoU de 0,50 a 0,95, ou 50% a 95%".
• A Precisão Média média (mAP) com previsões avaliadas como um “objeto detectado” em uma Interseção sobre União (IoU) maior que 0,50 e menor ou igual a 0,95 (50%-95%].

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.

Comboio

• Isso se refere às métricas do seu conjunto de treinamento [split].

valor

• Isso se refere às métricas para seu conjunto de validação [split].

A divisão de treinamento, validação e teste

Se você não estiver satisfeito com seus resultados, poderá aproveitar o sistema de gerenciamento de conjunto de dados do Roboflow e os tentáculos de código, como o pacote Python e a API Upload , para adicionar mais imagens ao seu projeto e melhorar seus resultados em a próxima tentativa de treinamento e quando o modelo for testado e implantado em seguida.

Implementando o Aprendizado Ativo

Verificação de integridade do conjunto de dados para melhoria do modelo

Ainda com problemas? Envie um e-mail para help@roboflow.com ou poste em nosso Fórum da Comunidade para obter assistência.

Para aqueles que trabalham em Prova de Conceitos de negócios ou em planos Roboflow pagos , envie um Formulário de contato ou entre em contato com seu representante de Suporte Roboflow dedicado para obter assistência.