召回率(recall) == 92.1%,意味着ok图中7.9%被预测为ng
精确率(precision) =79.8%,意味着被认为是ok的图中有20.2%的ng图,即ng容易被检测成ok
batch_size
每次迭代的训练样本数
批处理中传输到设备内存的输入图像的数量
当数据量足够大的时候可以适当的减小batch_size,由于数据量太大,内存不够。但盲目减少会导致无法收敛
'pretrained_dl_classifier_alexnet.hdl' 230
'pretrained_dl_classifier_compact.hdl' 160
'pretrained_dl_classifier_enhanced.hdl' 96
'pretrained_dl_classifier_mobilenet_v2.hdl' 40
'pretrained_dl_classifier_resnet50.hdl' 23
*batch_size_multiplier
batch_size的乘法器。(由于训练是利用完整的数据一次性完成的,而不是按批处理的,本参数值不影响)
num =batch_size * batch_size_multiplier
默认值:1
class_ids
检测对象类
*class_weights
类的权重
一个类的权重越大,他在训练过程中的影响也就越大。
device
深度学习运算符的设备的句柄
gpu
执行训练和推理的GPU的标识符。
默认情况下,将使用第一个可用的GPU。带有“cuda_devices”的get_system可用于检索可用GPU的列表。
参数'gpu'仅在'runtime'='gpu'时考虑。
默认值:0
*image_dimensions
包含[image_height]、[image_width]
image_height
image_width
训练图像的尺寸
image_num_channels
训练图像的通道数
RGB
默认值:3
*image_range_max
*image_range_min
输入图像的最大和最小灰度值
*input_dimensions
返回一个字典,其中包含网络的所有输入维度
learning_rate
当学习率设置的过小时,收敛过程将变得十分缓慢。而当学习率设置的过大时,梯度可能会在最小值附近来回震荡,甚至可能无法收敛。
*meta_data
momentum
损失函数的动量参数。
如果批量较小,动量应较高
取值在[0,1)
num_classes
类的数量
默认值:3
*num_trainable_params
*optimize_for_inference
*precision
定义内部用于计算深度学习模型的前向传递的数据类型。
默认值:float32
*precision_is_converted
runtime
定义将在其上执行深度学习运算符的设备。
cpu、gpu
默认值:gpu
*summary
*type
模型类型
anomaly_detection异常检测、classification分类、detection检测、segmentation分段
weight_prior
用于损失函数 正则化的正则化参数
在分类器训练过程中存在过度拟合的情况下,正则化很有帮助
complexity
模型处理更复杂应用程序的能力
更高的值允许模型表示显示更复杂的图像
复杂度越大准确率越高
默认值:15
*standard_deviation_factor
默认值:3.0
*backbone_docking_layers
class_names
类的名字
*extract_feature_maps
anchor_angles
锚点的方向角
角度的数量越大,锚的数量就越多
默认值:0.0
anchor_aspect_ratios
锚的长宽比
默认值:1.0,2.0,0.5
anchor_num_subscales
子尺度锚数量
使用的不同级别生成锚的不同大小的数量
num = |anchor_aspect_ratios| * anchor_num_subscales
默认值:3
backbone
bbox_heads_weight
class_heads_weight
计算总损失的加权因子
默认值:1.0
capacity
滤波器权重
high、medium、low
默认值:high
*class_ids_no_orientation
类的方向
*freeze_backbone_level
训练期间保持权重的骨干级别。
默认值:2
*instance_type
对象模型使用的实例类型
默认值:rectangle1
max_level
min_level
附加网络附着在特征棱锥体上的级别
默认值:6,2
max_num_detections
从网络提出的每个图像的最大检测次数
默认值:100
max_overlap
同一类的两个预测边界框的并集上允许的最大交集
默认值:0.5
*max_overlap_class_agnostic
两个预测边界框的最大允许并集交集
默认值:1.0
min_confidence
当对边界框内的图像部分进行分类以保持所提出的边界框时,该参数确定最小置信度
默认值:0.5
ignore_direction
此参数确定对于定向边界框是否也考虑对象在边界框内的方向
true,false
默认值:false
*ignore_class_ids