Los valores de los umbrales informan la clasificación de las imágenes en el conjunto de datos al proporcionar calificaciones y niveles de confianza.
Tras la fase de capacitación, los calificaciones se calculan para cada muestra de capacitación y se presentan como un histograma; las muestras buenas se marcan con barras verdes y las malas, con barras rojas. Todas las imágenes con calificaciones entre 0-T1 se marcadas como Buenas y las imágenes por encima de T2 se clasifican como Malas. Si la calificaciones está entre T1 y T2, el resultado es [Confiable: No].
Se recomienda una capacitación con muchas muestras de ambos grupos para alcanzar un umbral más sólido.
Las imágenes con calificaciones dentro de 0-T1 se marcan como Buenas [Confiable: Sí]
Las imágenes con calificaciones dentro de T1-T se marcan como Buenas [Confiable: No]
Las imágenes con calificaciones dentro de T-T2 se marcan como Malas [Confiable: No]
Las imágenes con calificaciones dentro de T-T2 se marcan como Malas [Confiable: Sí]
Si ambos umbrales son iguales (T1=T2=T), no hay un área de incertidumbre. Los resultados se marcan como seguros: Sí.
El visor de imágenes de Aurora Focus proporciona información sobre Tiempo de la herramienta, Confiable y Calificación. [Confiable: No] indica que la calificación está cerca del umbral. En este caso, realice otra inspección.
Error en el trabajo, Confiable: Sí
Aprobación del trabajo, Confiable: No
Aprobación del trabajo, Confiable: Sí
La herramienta de histogramas muestra barras verdes que representan las muestras correctas, y barras rojas que representan las muestras anómalas. T (el punto medio de T1 y T2) marca el umbral principal, y T1 y T2 definen el área de incertidumbre [Confiable: No].
El siguiente histograma muestra grupos bien separados, lo cual indica que el modelo tiene buena precisión:
Umbral de incertidumbre
El siguiente histograma muestra grupos cercanos, lo cual indica que el modelo tiene poca precisión:
Ejemplos de precisión del modelo buena y mala
El siguiente histograma proporciona un ejemplo de la vida real en Editor de aprendizaje profundo de Aurora:
Ejemplo del Editor de aprendizaje profundo de Aurora
Este ejemplo muestra 36 imágenes en el modelo, con una clara separación entre imágenes Buenas y Malas. El rango de calificaciones de las imágenes Buenas es de 7.04 a 31.12, y el rango de las imágenes Malas es de 56.20 a 106.80. La separación amarilla entre las imágenes Buenas y Malas indica que el modelo tiene buena precisión.
