Skip to Content

Проверка результатов

После запуска и завершения процесса обучения отобразится отчёт, где показывается текущий статус, ключевые метрики, прогресс и логи.
alt

Статус и итоговая точность

Вверху виден статус процесса и рядом итоговая точность обучения (итоговая метрика модели на тестовых данных после обучения).

Прогресс обучения

В панели Прогресс обучения отображаются последовательные шаги:

  • Подготовка, загрузка и распаковка датасетов и шаблона модели.
  • Запуск процесса обучения.

Иконки подсказывают, какой шаг завершён.

Дополнительно доступны кнопки:

  • Перезапустить обучение — при необходимости.
  • Удалить обучение — чтобы очистить результаты.

Основные параметры обучения

Ключевые настройки, с которых стартовал процесс.

Учебный датасет

Параметры, описывающие датасет:

  • Количество картинок.
  • Кол-во полей в схеме разметки.
  • Размер.
  • Дата последнего изменения.

Мониторинг обучения

Мониторинг обучения — блок на странице обучения модели, где в виде графика отображаются ключевые метрики (точность, ошибки и скорость обучения):
alt Этот график помогает отслеживать прогресс обучения и анализировать качество модели.

Подробности см. странице Мониторинг обучения: график метрик.

Логи обучения

alt

Логи — это текстовые записи, которые фиксируют все важные действия и события во время обучения модели.

Например, логи по

  • Запуску приложения (количество workers, устройство).
  • Аугментации данных (сколько добавлено файлов).
  • Конвертации в формат COCO, подготовки датасета и т. д.

Доступны кнопки Скопировать или Скачать лог-файл для дальнейшего анализа.

Факторы, влияющие на точность обучения

  • Единообразие разметки — поля должны выделяться по одному принципу. Нельзя начинать разметку одним способом и завершать другим.
  • Сбалансированность датасета — количество примеров по различным полям должно быть сопоставимым.
  • Объём датасета — чем больше данных, тем стабильнее результат.
  • Качество изображений — должны соответствовать установленным требованиям (см. раздел Требования к изображениям).
  • Количество итераций обучения.
  • Начальный коэффициент обучения (learning rate).
  • Корректность выделения полей — поля должны быть размечены строго по правилам (см. раздел Рекомендации по разметке данных).

Что дальше

Следующий шаг — Мониторинг обучения: график метрик.