評估設定
區分哪些選項改變預測，哪些選項改變評分。
預測設定
這些選項決定預測集中儲存哪些答案。範例值來自安全帽教學。
| 設定 | 作用 | 教學值 |
|---|---|---|
| 資料集和推論來源 | 選擇樣本與模型 | 安全帽資料集和相符的 YOLO 偵測器 |
| 類別名稱和對映 | 將模型輸出對應到參考類別 | helmet |
| 輸入尺寸 | 送入模型的圖片大小 | 640 × 640 |
| Dataset split | 選擇樣本分割槽 | Validation |
| Sample scope | 全部樣本或子集 | Random examples |
| 樣本數量和選擇種子 | 選擇多少樣本，以及哪一次隨機選擇 | 100；種子 42 |
| 最低物體置信度 | 移除低於閾值的檢測 | 0.25 |
| 重複框重疊閾值 | 控制重疊預測的抑制 | 0.5 |
| 最大檢測數量 | 每張圖保留的檢測數量上限 | 300 |
提高置信度可能減少誤報，也可能移除真實但置信度低的物體。比較變換影響時保持它不變。重複框閾值與 Detection mAP 50-95 的匹配閾值不同。
穩健性設定
| 設定 | 作用 | 教學值 |
|---|---|---|
| Transform | 對輸入施加的改變 | Fog |
| Severity | 一種變換配方；圖片強度為 1 至 5 | 3 |
| 變換種子 | 變換使用的隨機樣式 | 0 |
| Performance metric | 比較原始和變換後輸入的指標 | Detection mAP 50-95 |
| 最大允許下降 | 可接受的相對變差幅度；留空不作條件判定 | 20% |
強度不是百分比。重現時使用結果記錄的具體引數。選擇種子和變換種子控制不同的隨機過程。
哪些更改需要重新執行？
| 更改內容 | 下一步 |
|---|---|
| 模型權重、資料、取樣或推論設定 | 生成新的預測集 |
| 目前預測集沒有的變換或輸出 | 生成包含所需範圍的預測集 |
| 相容的指標或判定條件 | 對現有預測集建立另一次評估 |
| 報告文字、版式或例子 | 編輯報告並重新下載 PDF |
模型設定在 Model 頁面儲存。一旦有預測集或未完成的預測任務使用該模型，格式和任務就會鎖定；需要另一種解釋時，匯入獨立模型。
百分比範例見分數和判定條件。