评估和改进您的适配器

每轮适配器训练结束后，您需要查看 Rekognition 控制台工具中的性能指标，以确定适配器与所需性能水平的接近程度。然后，您可以上传一批新的训练图像并在项目中训练新的适配器，从而进一步提高适配器对图像的准确性。创建适配器的改进版本后，您可以使用控制台删除不再需要的任何较旧版本的适配器。

您也可以使用DescribeProjectVersionsAPI操作检索指标。

性能指标

完成训练过程并创建适配器后，请务必评估适配器从图像中提取信息的效果。

Rekognition 控制台中提供了两个指标来帮助您分析适配器的性能：假阳性改进率和假阴性改进率。

您可以通过选择控制台适配器部分的“适配器性能”选项卡来查看任何适配器的这些指标。适配器性能面板显示您创建的适配器的假阳性改进率和假阴性改进率。

假阳性改进衡量适配器识别假阳性的能力比基础模型提高了多少。如果假阳性改进率为 25%，则意味着适配器在测试数据集中对假阳性的识别提高了 25%。

假阴性改进衡量适配器识别假阴性的能力比基础模型提高了多少。如果假阴性改进率为 25%，则意味着适配器在测试数据集中对假阴性的识别提高了 25%。

每个标签性能选项卡可用于比较每个标签类别的适配器和基础模型的性能。它显示了基础模型和适配器按标签类别分层的假阳性和假阴性预测计数。通过查看这些指标，您可以确定适配器在哪些方面需要改进。

例如，如果酒精标签类别的基础模型假阴性率为 15，而适配器假阴性率为 15 或更高，那么在创建新适配器时，就应该重点添加更多包含酒精标签的图像。

使用 API Rekognition 操作时，在调用该操作时会返回 F1-Score 指标。DescribeProjectVersions

改进您的模型

适配器部署是一个迭代过程，因为您可能需要多次训练适配器才能达到目标准确度水平。创建和训练适配器后，您需要测试和评估适配器在各种标签上的性能。

如果您的适配器在任何区域都缺乏准确度，请添加这些图像的新示例，以提高适配器处理这些标签的性能。尝试为适配器提供更多不同的示例，以反映适配器遇到的困难。为您的适配器提供具有代表性的各种图像，使其能够处理各种真实示例。

向训练集添加新图像后，重新训练适配器，然后在测试集和标签上重新评估。重复此过程，直到适配器达到所需的性能水平。如果您提供更具代表性的图像和注释，则在连续的训练迭代中，假阳性分数和假阴性分数将逐渐改善。