Мониторинг обучения: график метрик
⚠️
Чтобы просматривать график, у пользователя должны быть права:*
- Шаблоны процесса обучения — Просмотр
- Процессы обучения — Просмотр
- Процессы обучения — Управление
Обзор
График помогает визуально оценить процессы обучения:
- Зелёная кривая (Average Precision): точность (Accuracy) на тестовых данных.
- Красная кривая (Total Loss): ошибки (Loss) на обучающем наборе.
- Фиолетовая кривая (Learning Rate): скорость обучения, то есть изменение learning rate или его снижение по эпохам.
Рекомендации при анализе графика
- Если ошибка (Total Loss) не снижается или колеблется сильно, то проверьте качество меток или коэффициент обучения (learning rate).
- Если точность (Average Precision) нестабильна или не растёт, то может быть переобучение или проблемы с данными.
- Идеальный график: Loss снижается, Precision растёт и стабилизируется. LR сначала может расти, затем снижаться.
Если модель не сходится
Если модель не сходится, то есть не достигает желаемого уровня точности или имеет нестабильные метрики («скачущие» кривые), стоит обратить внимание на несколько ключевых показателей:
Ошибка на обучающем наборе данных (Total Loss, красная кривая):
- Обычно значение должно быть меньше 0.5.
- Снижение ошибки — если потери не уменьшаются или уменьшаются очень медленно, это может указывать на проблемы с обучением модели. Возможные причины могут включать некачественную разметку данных или слишком низкий коэффициент обучения — в этом случае его стоит увеличить.
- Колебания — если ошибка слишком сильно скачет, это может быть признаком слишком высокого коэффициента обучения или наличия шума в данных (слишком разных изображений).
Средняя точность на тестовом наборе данных (Average Precision, зеленая кривая):
- Значение 0.75 можно считать хорошим, более 0.8 — отличным показателем.
- Стабильность точности — если точность на тестовом наборе данных сильно колеблется или не увеличивается, это может указывать на проблемы с обобщающей способностью модели. Это может быть связано с переобучением или качеством данных.
Коэффициент обучения (Learning Rate, фиолетовая кривая):
Правила изменения коэффициента обучения определены в исходном коде. Применяется период разогрева (плавного увеличения до Learning Rate), затем плавное снижение.
Что дальше
Следующий шаг — настройка Использование .