区域面积指标

为了更好地理解红色分析工具返回的结果，您需要了解如何解读工具使用的召回、精度和阈值。三者交织在一起，阈值将影响召回和精度。

• 收回是在所有正在处理标记 图像标记是由 VisionPro Deep Learning 工具生成的注释。工具生成的标记是工具处理特定图像时获得的“答案”。您可以通过将工具生成的标记与用于同一图像的标注进行比较，从而验证工具的性能。与标注一样，生成的特定标记取决于工具。图像上，被标记（也称为被发现）缺陷覆盖的总标注 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。缺陷区域的百分比。

• 精度是在被处理的所有标注图像上，由标注缺陷区域覆盖的总标记缺陷区域的百分比。

  标注缺陷区域	标注缺陷区域
  标注	标记

• 在这种情况下，召回率为 60%（40% 的标注缺陷从标记缺陷中缺失），精度为 99%，因为几乎所有标记缺陷都被标注缺陷覆盖。

阈值参数可以在数据库概述中手动调整，并且会影响结果。如果像素的评分高于阈值，则该像素会被包含在缺陷区域内。阈值设置越低，缺陷区域越大。

阈值 = 0.10	阈值 = 0.50

如上所示，调整阈值将立即影响召回和精度。随着阈值变大，标记的缺陷会变小。这会减少带有相应缺陷标注的缺陷区域的数量，并降低召回评分。同时，精度将提高，因为较小的标记缺陷区域更可能被标注的缺陷区域完全覆盖。

交并比 (IOU)

应用程序根据 IOU 交并比 (IOU) 显示工具预测与您的标注之间的匹配程度。较高的 IOU 百分比表示匹配程度更好。 计算标准类型红色分析工具的损失 损失是指验证损失，这是一个显示工具在验证集上表现的指标。损失的值可以介于 0 和 1 之间。VisionPro Deep Learning 应用程序根据工具在处理验证集图像时所出现的错误来计算损失。在训练期间，您可以使用损失检查器实时检查损失。。

IOU 的计算公式：

(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。面积 ∩ 预测面积) / (真值面积 ∪ 预测面积)

有关损失的更多信息，请参阅验证损失。