生成預測
儲存模型對原圖和加霧圖片的答案。
**預測集（Prediction Set）**儲存模型的答案。這一步在 100 張原圖和對應的加霧圖片上執行偵測器；下一步才計算分數。
選擇輸入和測試範圍
- 開啟 Prediction Sets，選擇 New。
- 選擇
Helmet v2 full dataset和Helmet YOLO26 detector。 - 確認模型的
helmet對應資料集的helmet。如有類別對映提示，先完成處理。 - 在 Prediction coverage 中選擇 Configure → Robustness，只加入 Fog，強度 3，然後應用更改。
- 設定以下采樣選項。
| 選項 | 值 |
|---|---|
| Dataset split | Validation |
| Sample scope | Random examples |
| Sample count | 100 |
| Random selection seed | 42 |
| Fog seed | 0 |
| Minimum object confidence | 0.25 |
| Duplicate-box overlap | 0.5 |
選擇種子決定抽到哪些圖片；Fog 種子決定隨機霧的樣式。兩者用途不同，都應保留。
開始生成
繼續，將預測集命名為 Helmet validation 100 - clean + Fog 3。準備就緒後選擇 Generate。如果出現問題提示，使用旁邊的操作修正對應輸入或設定。
任務執行時保持 Knotest 開啟。你可以檢視其他頁面，再透過任務監視器返回進度。
完成後開啟預測集，核對樣本數量和覆蓋範圍。
這次 Knotest 1.2.19 錄製中，信心分數門檻為 0.25 時，100 張圖片都顯示 No predictions。模型仍產生了較低信心分數的候選框，Knotest 會保留它們用於 mAP 評分。因此，圖庫沒有顯示偵測框時，mAP 仍可能不為零。這個模型適合學習流程，不能視為已驗證的安全帽偵測器。
儲存的預測集保持固定。更換模型設定、樣本或變換時，需要生成新的預測集；相容的指標和判定條件則可以重複使用現有答案。
下一步：執行評估。