📋
docs.binaexperts.com
  • Introduction
  • Get Started
  • Organization
    • Create an Organization
    • Add Team Members
    • Role-Based Access Control
  • Datasets
    • Creating a Project
    • Uploading Data
      • Uploading Video
    • Manage Batches
    • Create a Dataset Version
    • Preprocessing Images
    • Creating Augmented Images
    • Add Tags to Images
    • Manage Categories
    • Export Versions
    • Health Check
    • Merge Projects and Datasets
    • Delete an Image
    • Delete a Project
  • annotate
    • Annotation Tools
    • Use BinaExperts Annotate
  • Train
    • Train
    • Framework
      • Tensorflow
      • PyTorch
      • NVIDIA TAO
      • TFLite
    • Models
      • YOLO
      • CenterNet
      • EfficientNet
      • Faster R-CNN
      • Single Shot Multibox Detector (SSD)
      • DETR
      • DETECTRON2 FASTER RCNN
      • RETINANET
    • dataset healthcheck
      • Distribution of annotations based on their size relative
      • Distribution of annotations based on their size relative
    • TensorBoard
    • Hyperparameters
    • Advanced Hyperparameter
      • YAML
      • Image Size
      • Validation input image size
      • Patience
      • Rectangular training
      • Autoanchor
      • Weighted image
      • multi scale
      • learning rate
      • Momentum
  • Deployment
    • Deployment
      • Legacy
      • Deployment model (Triton)
    • Introducing the BinaExperts SDK
  • ابزارهای نشانه گذاری
  • استفاده از نشانه گذاری بینااکسپرتز
  • 🎓آموزش مدل
  • آموزش
  • چارچوب ها
    • تنسورفلو
    • پایتورچ
    • انویدیا تاو
    • تنسورفلو لایت
  • مدل
    • یولو
    • سنترنت
    • افیشنت نت
    • R-CNN سریعتر
    • SSD
    • DETR
    • DETECTRON2 FASTER RCNN
  • تست سلامت دیتاست
    • توزیع اندازه نسبی
    • رسم نمودار توزیع
  • تنسوربرد
  • ابرمقادیر
  • ابرمقادیر پیشرفته
    • YAML (یامل)
    • اندازه تصویر
    • اعتبار سنجی تصاویر ورودی
    • انتظار
    • آموزش مستطیلی
  • مستندات فارسی
    • معرفی بینااکسپرتز
    • آغاز به کار پلتفرم بینااکسپرتز
  • سازماندهی
    • ایجاد سازمان
    • اضافه کردن عضو
    • کنترل دسترسی مبتنی بر نقش
  • مجموعه داده ها
    • ایجاد یک پروژه
    • بارگذاری داده‌ها
      • بارگذاری ویدیو
    • مدیریت دسته ها
    • ایجاد یک نسخه از مجموعه داده
    • پیش‌پردازش تصاویر
    • ایجاد تصاویر افزایش یافته
    • افزودن تگ به تصاویر
    • مدیریت کلاس‌ها
  • برچسب گذاری
    • Page 3
  • آموزش
    • Page 4
  • استقرار
    • Page 5
Powered by GitBook
On this page

Was this helpful?

  1. ابرمقادیر پیشرفته

اعتبار سنجی تصاویر ورودی

اندازه تصاویر ورودی اعتبارسنجی باید در حالت ایده آل با اندازه ورودی مورد استفاده در طول آموزش مطابقت داشته باشد تا در فرآیند ارزیابی، سازگاری و قابلیت مقایسه را تضمین کند. این به این معنی است که تصاویر اعتبارسنجی باید قبل از ورود به مدل برای ارزیابی، به ابعاد مشابه تصاویر آموزش تغییر اندازه یا برش داده شوند. حفظ سازگاری در اندازه تصاویر ورودی بین آموزش و اعتبارسنجی مهم است زیرا:

  • سازگاری مدل: مدل های شبکه عصبی معمولاً طراحی شده اند تا تصاویر ورودی با اندازه خاصی را قبول کنند. استفاده از اندازه های مختلف در طول آموزش و اعتبارسنجی ممکن است منجر به ابعاد ورودی ناسازگار شود، که منجر به خطاها یا رفتار غیرمنتظره می شود.

  • سازگاری ارزیابی: ارزیابی عملکرد مدل بر روی داده های اعتبارسنجی که اندازه آنها با داده های آموزش متفاوت است، ممکن است نمایانگر دقیق عملکرد واقعی آن نباشد. اندازه های ورودی سازگار اطمینان می دهد که مدل تحت شرایط مشابهی با آموزش ارزیابی می شود.

  • مقایسه عادلانه: اندازه های ورودی سازگار امکان مقایسه های عادلانه بین مدل های مختلف یا پیکربندی ها را فراهم می کند. اگر مدل های مختلف با اندازه های ورودی مختلف آموخته شوند، عملکرد آنها نمی تواند بدون در نظر گرفتن این تفاوت، مستقیماً مقایسه شود. برای اطمینان از سازگاری، توصیه می شود تا تصاویر اعتبارسنجی را برای مطابقت با اندازه ورودی مورد استفاده در آموزش پیش پردازش کنید. این ممکن است شامل تغییر اندازه، برش یا پد کردن تصاویر به میزان لازم باشد. علاوه بر این، مهم است که مراحل پیش پردازش و اندازه های ورودی مورد استفاده در هر دو آموزش و اعتبارسنجی را برای اطمینان از شفافیت و قابلیت تکرار در فرآیند ارزیابی، ثبت کنید.

Previousاندازه تصویرNextانتظار

Last updated 11 months ago

Was this helpful?