Verbessern eines Amazon Rekognition Custom Labels-Modells

Die Leistung von Modellen für Machine Learning hängt weitgehend von Faktoren wie der Komplexität und Variabilität Ihrer benutzerdefinierten Labels (der spezifischen Objekte und Szenen, an denen Sie interessiert sind), der Qualität und Repräsentativität des von Ihnen bereitgestellten Trainingsdatensatzes sowie den Modellframeworks und Methoden des Machine Learning ab, die zum Trainieren des Modells verwendet werden.

Amazon Rekognition Custom Labels vereinfacht diesen Prozess, und es sind keine Fachkenntnisse im Bereich Machine Learning erforderlich. Der Prozess der Erstellung eines guten Modells beinhaltet jedoch häufig Iterationen von Daten und Modellverbesserungen, um die gewünschte Leistung zu erzielen. Im Folgenden finden Sie Informationen zur Verbesserung Ihres Modells.

Daten

Im Allgemeinen können Sie die Qualität Ihres Modells verbessern, indem Sie größere Mengen an Daten mit besserer Qualität verwenden. Verwenden Sie Trainingsbilder, die das Objekt oder die Szene deutlich zeigen und nicht mit unnötigen Objekten überladen sind. Verwenden Sie für Begrenzungsrahmen rund um Objekte Trainingsbilder, auf denen das Objekt vollständig sichtbar ist und nicht von anderen Objekten verdeckt wird.

Stellen Sie sicher, dass Ihre Trainings- und Testdatensätze mit der Art von Bildern übereinstimmen, für die Sie letztendlich Inferenz durchführen werden. Für Objekte wie Logos, für die Sie nur wenige Trainingsbeispiele haben, sollten Sie in Ihren Testbildern Begrenzungsrahmen um das Logo herum platzieren. Diese Bilder stellen die Szenarien dar oder stellen sie dar, in denen Sie das Objekt lokalisieren möchten.

Informationen zum Hinzufügen weiterer Bilder zu einem Trainings- oder Testdatensatz finden Sie unter Hinzufügen weiterer Bilder zu einem Datensatz.

Reduzierung falsch positiver Ergebnisse (höhere Präzision)

• Prüfen Sie zunächst, ob Sie durch eine Erhöhung des angenommenen Schwellenwerts die richtigen Vorhersagen beibehalten und gleichzeitig die Zahl der falsch positiven Ergebnisse verringern können. Irgendwann hat dies aufgrund des Kompromisses zwischen Präzision und Erinnerungsvermögen bei einem bestimmten Modell immer weniger Vorteile zur Folge. Sie können den angenommenen Schwellenwert für ein Label nicht festlegen, aber Sie können dasselbe Ergebnis erzielen, indem Sie einen hohen Wert für den MinConfidence Eingabeparameter auf angeben. DetectCustomLabels Weitere Informationen finden Sie unter Analysieren eines Bildes mit einem trainierten Modell.

• Möglicherweise werden eines oder mehrere Ihrer benutzerdefinierten Labels von Interesse (A) immer wieder mit derselben Objektklasse (aber nicht mit einem Label, an dem Sie interessiert sind) (B) verwechselt. Um Ihnen zu helfen, fügen Sie B als Objektklassenlabel zu Ihrem Trainingsdatensatz hinzu (zusammen mit den Bildern, bei denen Sie das falsch positive Ergebnis erhalten haben). Tatsächlich helfen Sie dem Modell mit den neuen Trainingsbilder zu lernen, B und nicht A vorherzusagen. Informationen zum Hinzufügen von Bildern zu einem Trainingsdatensatz finden Sie unter Hinzufügen weiterer Bilder zu einem Datensatz.

• Möglicherweise stellen Sie fest, dass das Modell durch zwei Ihrer benutzerdefinierten Labels (A und B) verwechselt wird. Es wird vorhergesagt, dass das Testbild mit dem Label A das Label B hat und umgekehrt. Prüfen Sie in diesem Fall zunächst, ob Ihre Trainings- und Testsätze falsch beschriftete Bilder enthalten. Verwenden Sie die Datensatz-Galerie, um die einem Datensatz zugewiesenen Labels zu verwalten. Weitere Informationen finden Sie unter Labels verwalten. Wenn Sie weitere Trainingsbilder hinzufügen, die sich auf diese Art von Verwechslungen beziehen, kann ein neu trainiertes Modell außerdem besser zwischen A und B unterscheiden. Informationen zum Hinzufügen von Bildern zu einem Trainingsdatensatz finden Sie unter. Hinzufügen weiterer Bilder zu einem Datensatz

Reduzierung falsch negativer Ergebnisse (besseres Erinnerungsvermögen)

• Verwenden Sie einen niedrigeren Wert für den angenommenen Schwellenwert. Sie können den angenommenen Schwellenwert für ein Label nicht festlegen, aber Sie können dasselbe Ergebnis erzielen, indem Sie einen niedrigeren MinConfidence Eingabeparameter für DetectCustomLabels angeben. Weitere Informationen finden Sie unter Analysieren eines Bildes mit einem trainierten Modell.

• Verwenden Sie bessere Beispiele, um die Vielfalt sowohl des Objekts als auch der Bilder, in denen sie vorkommen, zu modellieren.

• Teilen Sie Ihr Label in zwei Klassen auf, die leichter zu erlernen sind. Beispielsweise könnten Sie anstelle von guten und schlechten Keksen gute, verbrannte und kaputte Kekse verwenden, damit das Modell jedes einzelne Konzept besser erlernen kann.