正、负和假结果

在处理测试集中的图像时，VisionPro Deep Learning 应用程序尝试预测图像是否属于某个类，或者是否存在缺陷。工具的预测可能是正确的或错误的，分别称为正结果和负结果。

• 正结果意味着工具找到了它被训练 训练是您的工具（神经网络）根据您的标注学习特征（像素）的过程。例如，工具将根据您绘制的缺陷/正常标注，学习每个图像中的缺陷/正常像素。工具训练的目标是充分学习，能够对未见过的图像是否缺陷给出正确的检测结果。训练的关键是确保将所有可能的变化都包括在训练集中，并且图像被正确标注。训练时间因应用程序、工具设置以及用于训练网络的 PC 中的 GPU 而异。来寻找的内容，例如图像中的特定类、缺陷或特征 特征是图像上可进行视觉辨识的区域。特征通常代表对应用相关的内容（缺陷、对象、对象的特定部分）。。

• 负结果意味着工具未找到其训练要寻找的内容。

正结果和负结果可能会不正确，这被称为假正值和假负值结果：

• 假正值结果是在工具发现图像中实际上不存在的类、缺陷或特征时出现的。例如，工具错误地将产品上的划痕识别为缺陷，而实际上此划痕是设计的一部分。

• 假负值结果发生在工具未能识别图像中已有的类、缺陷或特征时。例如，工具未能发现受损产品上的划痕。

在计算大多数工具的统计结果时，VisionPro Deep Learning 应用程序将工具的结果与您的标注 标注是用“真值”来注释图像的过程。根据您使用的工具，标注可以采用不同的形式。标注图像集有两个原因：提供训练工具所需的信息，并允许您根据真值衡量和验证受训练的工具的性能。进行比较，这些标注代表了工具的真值 真值指的是机器学习模型所要解决问题的实际性质，这一性质通过相关示例数据集得以体现。监督式机器学习模型在标注数据上进行训练，这些数据被视为模型识别模式的基础，从而能够预测新数据中的标注。。然后，应用程序使用假正值和假负值的比率来计算精度和召回分数。