矩视智能 AI软件 模型优化技巧（无需license）

优化模型是一个比较大的话题。简单介绍一些平台上提供用于评估模型表现的指标数据，以及常用的优化操作。

平均检出率

模型训练完成后，可以在“训练页”查看模型各个版本的平均检出率。

您可以通过平均检出率，观察模型的表现效果。平均检出率反映了对各个标签识别的平均水平。

进一步点击“平均检出率”，可以查看具体每个标签的检出率、精度，可以有针对性查看到底哪些标签识别得更好、哪些标签识别有问题。只有当检出率和精度均较好时，模型的表现较好。

对于识别上稍微差一些的标签，会给出一些提示（如图中黄色感叹号）。

进一步地，可以点击“错误详情查看”，可视化地查看样本图中，哪些目标正确识别到了、哪些目标被漏识别了、哪些目标被错误地识别了，从而指导样本标注、样本准备等方面。

注意：

• 检出率仅代表模型对标注图片效果，如测试图片与标注图片相差较大时，可能会导致检测的效果并不好。
• 如果平均检出率低，线下测试的效果会较差。请先保证线上指标较好，再进行线下测试。

显示置信度

置信度，是在 “已测试” 样本图片上，显示其中识别到的目标标签、以及有多大程度可信度。

在“更多”中开启“显示置信度”，即可在图片上叠加显示置信度。

置信度代表可以相信预测结果的程度，取值范围为[0，1]。取值越接近1，说明结果越可信。

上图是一个检测pin针是否歪斜的例子，置信度为0.99。说明几乎可以相信：红框内是一个“歪斜”的物体。

当检测目标比较复杂时，不用过度追求置信度达到很高的数值。置信度需要与检测阈值结合使用，以便筛选出应该检出、过滤掉不应该检出的目标。

在SDK中调用预测函数时，可以配置检测阈值。详见 SDK开发文档（C++为例）