Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
Setelah setiap putaran pelatihan adaptor, Anda akan ingin meninjau metrik kinerja di alat Konsol Rekognition untuk menentukan seberapa dekat adaptor dengan tingkat kinerja yang Anda inginkan. Anda kemudian dapat lebih meningkatkan akurasi adaptor untuk gambar Anda dengan mengunggah kumpulan gambar pelatihan baru dan melatih adaptor baru di dalam proyek Anda. Setelah Anda membuat versi adaptor yang ditingkatkan, Anda dapat menggunakan konsol untuk menghapus versi adaptor yang lebih lama yang tidak lagi Anda perlukan.
Anda juga dapat mengambil metrik menggunakan operasi. DescribeProjectVersionsAPI
Metrik kinerja
Setelah Anda menyelesaikan proses pelatihan dan membuat adaptor Anda, penting untuk mengevaluasi seberapa baik adaptor mengekstraksi informasi dari gambar Anda.
Dua metrik disediakan di Konsol Rekognition untuk membantu Anda menganalisis kinerja adaptor Anda: peningkatan positif palsu dan peningkatan negatif palsu.
Anda dapat melihat metrik ini untuk adaptor apa pun dengan memilih tab “Kinerja adaptor” di bagian adaptor konsol. Panel kinerja adaptor menunjukkan tingkat Peningkatan Positif Palsu dan Peningkatan Negatif Palsu untuk adaptor yang Anda buat.
Peningkatan positif palsu mengukur seberapa besar pengakuan adaptor terhadap positif palsu telah meningkat dibandingkan model dasar. Jika nilai peningkatan positif palsu adalah 25%, itu berarti adaptor meningkatkan pengakuannya atas positif palsu sebesar 25% pada kumpulan data pengujian.
Peningkatan negatif palsu mengukur seberapa besar pengakuan adaptor terhadap negatif palsu telah meningkat dibandingkan model dasar. Jika nilai peningkatan negatif palsu adalah 25%, itu berarti adaptor meningkatkan pengakuannya terhadap negatif palsu sebesar 25% pada kumpulan data pengujian.
Tab Kinerja Per Label dapat digunakan untuk membandingkan kinerja adaptor dan model dasar pada setiap kategori label. Ini menunjukkan jumlah prediksi positif palsu dan negatif palsu oleh model dasar dan adaptor, dikelompokkan berdasarkan kategori label. Dengan meninjau metrik ini, Anda dapat menentukan di mana adaptor perlu ditingkatkan.
Misalnya, jika tingkat Negatif Palsu Model Dasar untuk kategori label Alkohol adalah 15 sedangkan Tingkat Negatif Palsu Adaptor adalah 15 atau lebih tinggi, Anda tahu bahwa Anda harus fokus untuk menambahkan lebih banyak gambar yang berisi label Alkohol saat membuat adaptor baru.
Saat menggunakan operasi API Rekognition, metrik F1-Score dikembalikan saat memanggil operationn. DescribeProjectVersions
Meningkatkan model Anda
Penerapan adaptor adalah proses berulang, karena Anda mungkin perlu melatih adaptor beberapa kali untuk mencapai tingkat akurasi target Anda. Setelah Anda membuat dan melatih adaptor Anda, Anda akan ingin menguji dan mengevaluasi kinerja adaptor Anda pada berbagai jenis label.
Jika akurasi adaptor Anda kurang di area mana pun, tambahkan contoh baru gambar tersebut untuk meningkatkan kinerja adaptor untuk label tersebut. Cobalah untuk memberikan adaptor dengan contoh tambahan dan beragam yang mencerminkan kasus-kasus di mana ia berjuang. Menyediakan adaptor Anda dengan gambar yang representatif dan bervariasi memungkinkannya menangani beragam contoh dunia nyata.
Setelah menambahkan gambar baru ke set pelatihan Anda, latih ulang adaptor, lalu evaluasi ulang pada set pengujian dan label Anda. Ulangi proses ini hingga adaptor mencapai tingkat kinerja yang Anda inginkan. Jika Anda memberikan gambar dan anotasi yang lebih representatif, skor positif palsu dan negatif palsu. secara bertahap akan meningkat dibandingkan iterasi pelatihan berturut-turut.