중요합니다
영어가 아닌 번역은 편의를 위해서만 제공됩니다. 바인딩 버전을 위해 이 문서의 EN-US 버전을 참조하세요.
Azure AI Custom Vision을 사용하여 빌드된 분류자 또는 개체 감지기 모델의 품질은 모델을 학습할 때 제공하는 레이블이 지정된 데이터의 양, 품질 및 다양성에 따라 달라집니다. 또한 품질은 클래스 간에 전체 데이터 세트의 균형에 따라 달라집니다.
모델을 학습한 후 프로젝트의 성능 customvision.ai 예상을 볼 수 있습니다. Custom Vision은 학습을 위해 제출한 이미지를 사용하여 정밀도, 재현율 및 평균 정밀도를 예측합니다. 이미지 분류자의 효과에 대한 이러한 세 가지 측정값은 다음과 같이 정의됩니다.
- 정밀도 는 올바른 식별된 분류의 백분율입니다. 예를 들어 모델이 100개의 이미지를 개로 식별하고 그 중 99개가 실제로 개인 경우 정밀도는 99%입니다.
- 재현 율은 올바르게 식별된 실제 분류의 백분율입니다. 예를 들어 실제로 사과 이미지가 100개이고 모델이 80을 사과로 식별한 경우 회수율은 80%입니다.
- 평균 평균 정밀도(mAP)는 평균 정밀도(AP)의 평균 값입니다. AP는 정밀도/재현율 곡선(각 예측의 재현율에 대해 그려진 정밀도) 아래의 영역입니다.
확률 임계값 은 예측이 올바른 것으로 간주되기 위해 필요한 신뢰도 수준입니다. 확률 임계값이 높은 예측 호출을 해석할 때 회수를 희생하면서 정밀도가 높은 결과를 반환하는 경향이 있습니다. 즉, 검색된 분류는 정확하지만 많은 분류가 검색되지 않은 상태로 남아 있습니다. 확률 임계값이 낮으면 그 반대입니다. 즉, 실제 분류가 대부분 검색되지만 해당 세트 내에 가양성이 더 많습니다. 이 점을 고려하여 프로젝트의 구체적인 요구에 따라 예측 임계값을 설정해야 합니다. 기본적으로 확률 임계값은 50% 0% 100%사이에서 설정할 수 있습니다. 확률 임계값을 조정하려면 성능 탭에서 customvision.ai 이동한 다음 확률 임계값 슬라이더를 찾아 필요에 맞게 조정합니다.
사용할 Custom Vision의 평가 및 통합
모델 정확도 향상을 위한 모범 사례
Custom Vision 모델을 빌드하는 프로세스는 반복적입니다. 모델을 학습할 때마다 고유한 업데이트된 성능 메트릭을 사용하여 새 반복을 만듭니다. customvision.ai 프로젝트의 성능 탭 왼쪽 창에서 모든 반복을 볼 수 있습니다.
모델은 이미지의 공통점이 있는 임의의 특성을 기반으로 예측을 하는 방법을 배웁니다. 과잉 맞춤을 방지하려면 Custom Vision 모델을 개선하는 방법을 참조하세요.
추가 데이터를 사용하여 반복에 대한 모델을 테스트하는 것이 좋습니다. 게시 또는 내보내기 및 유추에 사용할 모델의 반복을 결정할 수 있습니다.
모델의 성능에 따라 모델이 사용 사례 및 비즈니스 요구 사항에 적합한지 결정해야 합니다. 다음은 수행할 수 있는 접근 방식입니다. 격리된 환경에서 Custom Vision 모델을 배포하고, 사용 사례를 기준으로 모델의 성능을 테스트한 다음, 예측을 사용하여 원하는 성능 수준에 도달할 때까지 모델을 추가로 학습시킬 수 있습니다.
자세한 내용은 빠른 시작: Custom Vision 웹 사이트를 사용하여 분류자 빌드 및 빠른 시작: Custom Vision 웹 사이트를 사용하여 개체 탐지기 빌드를 참조하세요.