验证损失

训练集的使用对所有工具来说都是通用的，但高细节工具有另一个称为“验证集”或“验证数据”的数据集，它是训练集的一部分，其数据量由用户选择。对于高细节工具，在训练阶段为每个模型计算验证损失（=从验证数据计算的损失），最终选择在性能和可用性方面给出最佳验证损失的模型作为训练结果。可以使用损失检查器在每个高细节模式的训练中监控验证损失的变化。

验证数据的目的是在从训练数据生成的众多神经网络模型中选择最佳模型作为训练的最终输出。采用验证数据来实现这一目标的训练策略在这里称为“带验证的训练”。与聚焦工具不同，高细节工具为训练提供验证，并且您可以通过监控验证损失来控制网络训练。在训练期间的每 1/8 时期结束时，神经网络会根据您之前配置的验证集计算损失值。

验证损失表示经过训练的网络在分类（绿色分类高细节）或分割（红色分析高细节）准确性方面的性能，也就是说，损失越小通常意味着网络越好。因此，最好让值接近于 0。红色分析高细节的验证损失是按像素计算的，因为分割（即“良好”或“缺陷”的二元分类）是在每个像素上执行的。绿色高细节的验证损失是按视图计算的，因为分类是在每个视图上执行的。但是，为了全面了解网络的真正表现如何，您必须针对一些单独的数据（测试数据）测试经过训练的网络，以防止过度拟合。

• 对于红色分析高细节，考虑以下因素：

  • 验证损失 （从 0 到 1）：1 - IOU

  • IOU （单位：%）

    IOU 是并集的交集，用于测量预测面积与真值的相等程度。计算 IOU 的公式为：

    (真值面积 ∩ 预测面积) / (真值面积 ∪ 预测面积)

    

• 对于绿色分类高细节，考虑以下因素：

  • 验证损失 （从 0 到 1）：1 - 每个类的分类精度的平均值