Dela via

Egenskaper och begränsningar för Custom Vision

Viktigt!

Översättningar som inte är engelska tillhandahålls endast för enkelhetens skull. Se versionen EN-US av det här dokumentet för bindningsversionen.

Kvaliteten på klassificeraren eller objektidentifieringsmodellen som skapats med Azure AI Custom Vision beror på mängden, kvaliteten och variationen av de etiketterade data som du anger när du tränar modellen. Kvaliteten beror också på hur balanserad den övergripande datamängden är mellan klasser.

När du har tränat din modell kan du se uppskattningen av projektets prestanda customvision.ai. Custom Vision använder de bilder som du skickade in för träning för att uppskatta precision, träffsäkerhet och genomsnittlig genomsnittlig precision. Dessa tre mätningar av en bildklassificerares effektivitet definieras på följande sätt:

  • Precision är procentandelen identifierade klassificeringar som var korrekta. Om modellen till exempel identifierade 100 bilder som hundar, och 99 av dem faktiskt var av hundar, är precisionen 99 procent.
  • Recall är procentandelen av faktiska klassificeringar som har identifierats korrekt. Till exempel, om det faktiskt fanns 100 bilder av äpplen, och modellen identifierade 80 som äpplen, är återkallelsen 80 procent.
  • Genomsnittlig genomsnittlig precision (mAP) är det genomsnittliga värdet för den genomsnittliga precisionen (AP). AP är området under precisions-/återkallningskurvan (precision ritad mot återkallande för varje förutsägelse som görs).

Sannolikhetströskelvärdet är den önskade konfidensnivå som en förutsägelse måste ha för att anses vara korrekt. När du tolkar förutsägelseanrop med ett tröskelvärde med hög sannolikhet tenderar de att returnera resultat med hög precision på bekostnad av återkallelse. Det vill: de identifierade klassificeringarna är korrekta, men många förblir oupptäckta. Ett tröskelvärde med lågt sannolikhetsvärde gör motsatsen: de flesta av de faktiska klassificeringarna identifieras, men det finns fler falska positiva resultat i den uppsättningen. Med detta i åtanke bör du ange sannolikhetströskeln enligt projektets specifika behov. Som standard är sannolikhetströskeln 50% och kan anges mellan 0% och 100%. Om du vill justera sannolikhetströskelvärdet går du till customvision.ai på fliken Prestanda , letar upp skjutreglaget Sannolikhetströskel och justerar det efter dina behov.

Utvärdera och integrera Custom Vision för din användning

Metodtips för att förbättra modellens noggrannhet

Processen att skapa en Custom Vision-modell är iterativ. Varje gång du tränar din modell skapar du en ny iteration med egna, uppdaterade prestandamått. Du kan visa alla dina iterationer i den vänstra rutan på fliken Prestanda för projektet på customvision.ai.

En modell lär sig att göra förutsägelser baserat på godtyckliga egenskaper som dina bilder har gemensamt. Information om hur du förhindrar överanpassning finns i Så här förbättrar du din Custom Vision-modell.

Vi rekommenderar att du testar modellen för en iteration med ytterligare data. Du kan bestämma vilken iteration av modellen som ska publiceras eller exporteras och som ska användas för slutsatsdragning.

Baserat på modellens prestanda måste du bestämma om modellen är lämplig för ditt användningsfall och dina affärsbehov. Här är en metod som du kan använda. Du kan distribuera en Custom Vision-modell i en isolerad miljö, testa modellens prestanda i förhållande till ditt användningsfall och sedan använda förutsägelserna för att träna modellen ytterligare tills den når önskad prestandanivå.

Mer information finns i Snabbstart: Skapa en klassificerare med Custom Vision-webbplatsen och Snabbstart: Skapa en objektdetektor med Custom Vision-webbplatsen.

Nästa steg