验证损失

您可以使用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。来更好地了解工具的性能。使用损失得分与其他指标一起，例如精度、召回和 F-得分来评估结果。

注意：该指标是标准类型绿色分类和红色分析工具所独有的。

如何解释损失

VisionPro Deep Learning 应用程序在每个迭代次数通过反复向网络提供采样图像数据、处理数据，将结果与预期的真值进行比较，然后调整网络权重并再次尝试训练深度学习工具。迭代次数计数是通过网络处理每个输入样本的次数。结束时计算损失。一个迭代次数是工具处理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。集数据所需的时间。每个训练阶段持续几个迭代次数。如果训练过程有效，损失将随着迭代次数逐渐减少。

在理解损失分数时，请考虑以下几个方面：

分数越低越好：分数越低，说明该工具在验证集验证集是一组保留用于验证的图像集。验证集与训练集和测试集是独立分开的。由于验证集是独立的，您可以评估该工具在处理未见过的图像时的表现。VisionPro Deep Learning应用程序计算特殊指标，即损失。损失是基于工具在验证集上的表现。上出错越少。
随时间推移的稳定性：理想情况下，分数会随着时间的推移而下降并趋于稳定。如果分数在高低之间波动或增加，这意味着训练未达到预期效果。

如何解释绿色分类的损失

损失的计算公式为：

损失 = 1 - (各类分类精度的平均值)

如何解释红色分析的损失

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。

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)

Validation loss calculation for the Red Analyze tool using defects on an apple as an example.

损失的计算公式为：

损失 = 1 - (IOU (%))