Eğitim Ne Zaman Durmalı
Last updated
Was this helpful?
Last updated
Was this helpful?
Bir nesne tespiti modeli eğitmek, eğitim sürecine ne zaman son verileceğini dikkatlice değerlendirmeyi gerektirir. Eğitim sürecini uygun bir zamanda durdurmak, modelin performansı, genelleme yetenekleri ve verimliliği üzerinde önemli bir etki yapabilir.
Bu kılavuz, araştırmacılara, geliştiricilere ve uygulayıcılara model eğitimi sırasında optimal durdurma noktasını belirlemeleri için değerli bilgiler sunmayı hedeflemektedir.
Eğer bu sizin ilk eğitiminizse, 'ni takip edebilirsiniz.
Eğitim süresince modelin ilerlemesini sürekli olarak izleyin. Kritik performans metriklerini takip edin, örneğin:
Loss
mAP
IOU
Iterations
Loss ve mAP, aşağıdaki grafikte olduğu gibi gösterilecektir:
Tüm metrikler şunlar tarafından büyük ölçüde değişebilir:
Veri çeşitliliği
Veri boyutu
Annotation doğruluğu
Model boyutu
Aşağıdaki sayılar, yeni başlayanlar için başlangıç noktası oluşturmak amacıyla verilmiştir.
Loss, eğitim grafiğinde mavi noktalarla gösterilir ve modelin sağlanan eğitim verilerinden ne kadar uzakta olduğunu temsil eder.
Eğitim Loss değeri, model doğruluğunu ve aşırı eğitimi takip etmek için izlenebilir. Eğitim Loss değerinin çeşitli aralıkları şunları gösterebilir:
Veritabanının ne kadar genel ve doğru olduğuna dair bir fikir veren genel bir modeldir. Spesifik olmayan veritabanları için, bu yaklaşık doğru bir model oluşturur ve eğitim prosedürünü değerlendirmeye hazırdır.
Yukarıdaki grafikte gösterildiği gibi, 2.0 civarındaki kayıp değerleri doğru modeller üretmeyebilir.
Kaybın 1.0'ın altında olması, özel bir veritabanının kullanılabileceğini ve özel bir veritabanı için iyi göstergeler olduğunu gösterir.
Test ve dağıtıma hazır ince ayar yapılmış bir modeldir. Bu değere ulaştıktan sonra, kayıp değerini iyileştirmek, eğitim sürecinin ilk aşamalarına göre çok daha uzun sürebilir.
mAP (ortalama doğruluk oranı) metriği, modelin bir görüntüde nesneleri tespit etme doğruluğunu kapsamlı bir şekilde değerlendirmek için hem doğruluk hem de hatırlama kombinasyonlarını içerir.
Bu, tahmin kutularının gerçek doğrulama etiketleriyle örtüşmesini karşılaştırarak hesaplanır.
mAP yüzdesi, bir tespitin doğru olup olmadığını yansıtmaz. Eğitim veri seti ile tahmin arasındaki sınırlayıcı kutu alanlarında ortalama örtüşmeyi gösterir.
IOU (Birleşim Üzerinden Kesişim), bireysel nesne tespitleri için tahmin edilen ve gerçek sınırlayıcı kutular arasındaki örtüşmeyi ölçer. mAP, nesne tespit modeli'nin tüm nesne kategorilerindeki genel performansını, doğruluk ve hatırlamayı dikkate alarak değerlendirir.
Her IOU'yu Eğitim Penceresi günlüklerinde takip edebilirsiniz:
Mevcut hesaplama kaynaklarına ve proje kısıtlamalarınıza dayalı maksimum eğitim süresi bütçesi tanımlayın. Model, ayrılan süre içinde tatmin edici bir performans elde edemezse, eğitimi durdurmayı ve aşağıdaki gibi diğer yaklaşımları keşfetmeyi düşünün:
Annotation doğruluğunu manuel olarak analiz edin
Sınıf çeşitliliğini kontrol edin
Farklı model boyutları ve parti boyutları seçin
Veritabanı boyutunu artırın
Eğitim ve doğrulama kayıplarını izleyerek aşırı öğrenme durumundan kaçının. Bu genellikle eğitim kaybı büyük ölçüde aşağıya inmeyi durdurduğunda ve yeniden aşağı kaymaya başladığında olur.
Ancak, özel veritabanlarında veya durumlarda aşırı öğrenme her zaman kötü bir şey değildir. Yeterli veriye sahip olduğunuz kanıtlandığında, aşırı eğitilmiş bir model size iyi hizmet edebilir.
Eğitim süresini istenen model performansıyla dengeleyin. Bazı durumlarda, ek eğitim yinelemeleri performansı artırabilir, ancak getiriler zamanla azalabilir. Faydaları hesaplama maliyeti ve projenin aciliyeti ile karşılaştırın.
Genellikle, sınıf sayısına ve veritabanı boyutuna bağlı olarak, eğitim süreci bir gün ile bir hafta arasında değişebilir.
Veritabanı:
Model:
Eğitim (şu durumda durdurun):
Loss, verilerin ne kadar doğru olduğunu anlamak için yeterli bilgi vermez. Daha doğru bir parametre için 'e başvurun.
Eğitim sırasında, %90 civarında değerler genellikle iyi bir model olarak kabul edilir. %90 üzerindeki değerler genellikle olarak kabul edilir.
içerir
Sadece nesneleri kapsayan
(İsteğe bağlı) kullanılmıştır
FPS (saniye başına kare) için yeterli bir seçilmiştir
Doğru sistem gereksinimleri () ve CUDA uyumluluğu, GPU belleği için doğru model
1.0'ın altında veya bir gün içinde azalma çok minimal
