En la página de detalles del modelo, seleccione Prueba rápida en la sección Última versión entrenada.
Cargar Una imagen que contiene sus objetos para probar el modelo.
El modelo se aplicará a la imagen que ha cargado. Este paso puede tardar.
Cuando finalice la ejecución del modelo, verá los rectángulos dibujados directamente en la imagen.
Cómo interpretar la puntuación de rendimiento del modelo
Después de entrenar el modelo, si lo prueba rápidamente, aparece una puntuación de rendimiento en su página de detalles. Esta puntuación de rendimiento indica cómo es el rendimiento del modelo con las imágenes que ha cargado. No es un indicador de cómo funcionará con imágenes futuras, ya que aún no las ha visto.
Si carga menos de 50 imágenes para una etiqueta, es más probable que obtenga una puntación alta, incluso del 100 por cien. Esto no significa que su modelo sea sólido. Significa que su modelo no comete errores con un subconjunto de las imágenes proporcionadas, (denominado conjunto de prueba). Cuanto más pequeño sea el conjunto de aprendizaje, más pequeño será el conjunto de prueba, y más probable que su modelo sea correcto al calcular la puntuación de rendimiento.
Las puntuaciones de rendimiento del modelo son más confiables cuando el número de imágenes por etiqueta es superior a 50, y cuando estas puntuaciones de rendimiento se mantienen estables incluso al cambiar el conjunto de entrenamiento.
Publicar su modelo de detección de objetos
Desde ahora puede ejecutar más pruebas con otras imágenes. Si está satisfecho con los resultados podrá publicar el modelo para usarlo en Power Apps o Power Automate.
Administre la ingesta y preparación de datos, el entrenamiento y la implementación de modelos, y la supervisión de soluciones de aprendizaje automático con Python, Azure Machine Learning y MLflow.