Miglioramento di un modello Amazon Rekognition Custom Labels

Le prestazioni dei modelli di apprendimento automatico dipendono in gran parte da fattori quali la complessità e la variabilità delle etichette personalizzate (gli oggetti e le scene specifici che ti interessano), la qualità e la potenza di rappresentazione del set di dati di addestramento fornito, nonché i framework del modello e i metodi di apprendimento automatico utilizzati per addestrare il modello.

Amazon Rekognition Custom Labels semplifica questo processo e non richiede competenze sull’apprendimento automatico. Tuttavia, il processo di creazione di un buon modello spesso implica iterazioni sui dati e miglioramenti del modello per ottenere le prestazioni desiderate. Di seguito sono riportate informazioni su come migliorare il modello.

Dati

In generale, è possibile migliorare la qualità del modello con quantità maggiori di dati di migliore qualità. Utilizza immagini di addestramento che mostrino chiaramente l'oggetto o la scena e che siano prive di elementi non necessari. Per delimitare i riquadri attorno agli oggetti, utilizza immagini di addestramento che mostrino l'oggetto completamente visibile e non coperto da altri oggetti.

Assicurati che i set di dati di addestramento e di test corrispondano al tipo di immagini su cui alla fine eseguirai l'inferenza. Per gli oggetti, come i loghi, per i quali sono disponibili solo alcuni esempi di addestramento, dovresti fornire dei riquadri di delimitazione attorno al logo nelle immagini di test. Queste immagini rappresentano o illustrano i contesti in cui desideri localizzare l'oggetto.

Per aggiungere altre immagini a un set di dati di addestramento o di test, consulta Aggiungere altre immagini a un set di dati.

Riduzione dei falsi positivi (maggiore precisione)

• Innanzitutto, verifica se l'aumento della soglia presupposta consente di mantenere le previsioni corrette, riducendo al contempo i falsi positivi. Superata un certo livello, ciò comporta vantaggi decrescenti a causa del compromesso tra precisione e recupero per un determinato modello. Non è possibile impostare la soglia presupposta per un'etichetta, ma è possibile ottenere lo stesso risultato specificando un valore elevato per il parametro di input MinConfidence per DetectCustomLabels. Per ulteriori informazioni, consulta Analisi di un'immagine con un modello addestrato.

• Potresti notare che una o più delle tue etichette personalizzate di interesse (A) vengono costantemente confuse con la stessa classe di oggetti (ma non un'etichetta che ti interessa) (B). Per aiutarti, aggiungi B come etichetta di classe di oggetti al tuo set di dati di addestramento (insieme alle immagini per cui è stato riscontrato il falso positivo). In questo modo aiuti il modello a imparare a prevedere B e non A attraverso le nuove immagini di addestramento. Per aggiungere immagini a un set di dati di addestramento, consulta Aggiungere altre immagini a un set di dati.

• Potresti scoprire che il modello è confuso da due delle tue etichette personalizzate (A e B), per cui prevede che l'immagine di test con l'etichetta A abbia l'etichetta B e viceversa. In tal caso, verifica innanzitutto se sono presenti immagini con etichetta errata nei set di addestramento e di test. Utilizzate la galleria di set di dati per gestire le etichette assegnate a un set di dati. Per ulteriori informazioni, consulta Gestione etichette. Inoltre, l'aggiunta di altre immagini di addestramento relative a questo tipo di confusione aiuterà un modello riaddestrato a distinguere meglio tra A e B. Per aggiungere immagini a un set di dati di addestramento, consulta Aggiungere altre immagini a un set di dati.

Riduzione dei falsi negativi (migliore recupero)

• Usa un valore inferiore per la soglia presupposta. Non è possibile impostare la soglia presupposta per un'etichetta, ma è possibile ottenere lo stesso risultato specificando un parametro di input MinConfidence inferiore per DetectCustomLabels. Per ulteriori informazioni, consulta Analisi di un'immagine con un modello addestrato.

• Utilizza esempi migliori per modellare la varietà dell'oggetto e delle immagini in cui appare.

• Dividi la tua etichetta in due classi più facili da apprendere. Ad esempio, invece di biscotti di buona qualità e biscotti di scarsa qualità, potresti indicare biscotti di buona qualità, biscotti bruciati e biscotti rotti per aiutare il modello ad apprendere meglio ogni concetto specifico.