Valutazione dei modelli
Dopo l'addestramento di un modello, AutoML Video Intelligence Object Tracking utilizza gli elementi del set di TEST per valutare la qualità e l'accuratezza del nuovo modello.
AutoML Video Intelligence Object Tracking fornisce un set aggregato di metriche di valutazione che indicano il livello di rendimento complessivo del modello, nonché metriche di valutazione per ciascuna etichetta di categoria, che indicano le prestazioni del modello per quell'etichetta.
IoU : intersezione su unione, una metrica utilizzata nel monitoraggio degli oggetti per misurare la sovrapposizione di un riquadro di delimitazione previsto rispetto a quello effettivo per un'istanza di un oggetto in un frame video. Più vicini sono i valori previsti del riquadro di delimitazione ai valori effettivi del riquadro di delimitazione, maggiore sarà l'intersezione e il valore IoU.
AuPRC : area sotto la curva di precisione/richiamo, chiamata anche "precisione media". Di solito tra 0,5 e 1,0. Valori più alti indicano modelli più accurati.
Le curve della soglia di confidenza mostrano in che modo le diverse soglie di confidenza possono influire sulla precisione, sul richiamo e sui tassi di veri e falsi positivi. Scopri il rapporto tra precisione e richiamo.
Utilizza questi dati per valutare l'idoneità del modello. Bassi punteggi AUC o bassi punteggi di precisione e richiamo possono indicare che il modello ha bisogno di ulteriori dati di addestramento o ha etichette incoerenti. Un punteggio AUC molto alto e una precisione e un richiamo perfetti possono indicare che i dati sono troppo semplici e potrebbero non essere generalizzati.
Ottieni valori di valutazione del modello
UI web
-
Apri la pagina Modelli nell'UI di monitoraggio degli oggetti video AutoML.
-
Fai clic sulla riga del modello da valutare.
-
Fai clic sulla scheda Valuta.
Se l'addestramento del modello è stato completato, AutoML Video Object Tracking mostra le sue metriche di valutazione.
- Per visualizzare le metriche relative a un'etichetta specifica, seleziona il nome dell'etichetta dall'elenco nella parte inferiore della pagina.
REST
Prima di utilizzare i dati della richiesta, effettua le seguenti sostituzioni:
- model-id: sostituisci con l'identificatore del modello
- project-number: il numero del progetto
- location-id: la regione Cloud in cui deve avvenire l'annotazione. Le regioni cloud supportate sono:
us-east1
,us-west1
,europe-west1
easia-east1
. Se non viene specificata alcuna regione, verrà determinata in base alla posizione del file video.
Metodo HTTP e URL:
GET https://automl.googleapis.com/v1beta1/projects/project-number/locations/location-id/models/model-id:modelEvaluations
Per inviare la richiesta, scegli una delle seguenti opzioni:
arricciatura
Esegui questo comando:
curl -X GET \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "x-goog-user-project: project-number" \
"https://automl.googleapis.com/v1beta1/projects/project-number/locations/location-id/models/model-id:modelEvaluations"
PowerShell
Esegui questo comando:
$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred"; "x-goog-user-project" = "project-number" }
Invoke-WebRequest `
-Method GET `
-Headers $headers `
-Uri "https://automl.googleapis.com/v1beta1/projects/project-number/locations/location-id/models/model-id:modelEvaluations" | Select-Object -Expand Content
8703337066443674578
.
Java
Per eseguire l'autenticazione in AutoML Video Object Tracking, configura le Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Node.js
Per eseguire l'autenticazione in AutoML Video Object Tracking, configura le Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Python
Per eseguire l'autenticazione in AutoML Video Object Tracking, configura le Credenziali predefinite dell'applicazione. Per maggiori informazioni, consulta Configurare l'autenticazione per un ambiente di sviluppo locale.
Esegui l'iterazione sul modello
Se i livelli qualitativi non ti soddisfano, puoi tornare ai passaggi precedenti per migliorare la qualità:
- Potrebbe essere necessario aggiungere diversi tipi di video, ad esempio da un'angolazione più ampia, con una risoluzione maggiore o minore e da punti di vista diversi.
- Valuta la possibilità di rimuovere del tutto le etichette se non disponi di un numero sufficiente di video di formazione.
- Ricorda che le macchine non possono leggere il nome dell'etichetta; è solo una stringa casuale di lettere. Se ci sono un'etichetta con la scritta "porta" e un'altra con la dicitura "porta_con_manopola", la macchina non ha modo di cogliere le sfumature a parte i video forniti da te.
- Arricchisci i tuoi dati con più esempi di veri positivi e negativi. Gli esempi particolarmente importanti sono quelli che si avvicinano ai confini decisionali.
Dopo aver apportato le modifiche, addestra e valuta un nuovo modello fino a raggiungere un livello qualitativo sufficientemente elevato.