召回

召回是指工具正确识别的标注 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。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）。或类的百分比。

召回表示模型 特征集合的特定空间排列（仅限蓝色定位和蓝色读取工具。）在后处理步骤中，蓝色定位和蓝色读取工具可以将在图像中检测的所有特征与该工具定义的模型相拟合。然后返回模型的整体位姿和标识。识别实际正值的能力。召回的计算方法是将真正值预测的数量除以实际正值的数量（真正值 + 假负值）。它衡量该工具检测出所有正值实例的能力。

• 召回分数低的工具通常无法识别出测试数据中应检测到的所有特征，因此它会返回许多假负值结果。
• 召回分数高的工具通常能成功识别测试数据中的所有特征，但如果与低精度结合使用，可能会产生许多假正值。

典型检测案例（可能有例外）的理想统计结果包括高精度和高召回。

蓝色读取的召回计算

对于蓝色读取工具，召回是未在训练 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。集中且被工具正确识别的标注特征的百分比。例如，字符“A”的召回分数为 90% 意味着神经网络在测试数据中捕获了 90% 所有出现的“A”。

标注的图像	召回结果

绿色分类的召回计算

对于绿色分类工具，召回是工具正确识别的标注类的百分比。

工具通过标注为类 i 且正确分类为类 i 的已分类视图 图像的视图是图像中的像素区域。工具处理仅限于视图中的像素。您可以手动指定视图，也可以使用上游工具的结果生成视图。的分数计算召回得分：

例如， i 类的召回为 90% 表示神经网络在 10 次中有 9 次会对 i 图像进行正确分类。