Überprüfen des Deep-Learning-Modells

Mit der Image Analyst-Lizenz verfügbar.

Bevor Sie Deep-Learning-Modelle zur Inferenzierung einsetzen, ist es unerlässlich, dass Sie sie verstehen. Indem Sie ein Modell überprüfen, erfahren Sie, wie es trainiert wurde und was es leisten kann. In vielen Fällen stehen Ihnen mehrere Modelle zur Verfügung, die Sie vergleichen können. Im Bereich Deep-Learning-Modell überprüfen können Sie die trainierten und erstellten Deep-Learning-Modelle überprüfen. Zum Öffnen des Bereichs Deep-Learning-Modell überprüfen klicken Sie auf das Dropdown-Menü Deep Learning Tools und wählen Deep-Learning-Modell überprüfen aus.

Im Bereich Deep-Learning-Modell überprüfen werden Informationen aus der Esri Modelldefinitionsdatei (*.emd) sowie der Inhalt des Ordners ModelCharacteristic angezeigt. Wenn diese Dateien oder Ordner nicht vorhanden sind, wird in dem Bereich die Fehlermeldung Unzureichende Informationen in: <Ordnername> angezeigt. In der nachfolgenden Tabelle wird der Inhalt des Bereichs Deep-Learning-Modell überprüfen beschrieben.

Element	Beschreibung
Modell	Mithilfe der Schaltfläche Durchsuchen finden Sie das Modell, das Sie überprüfen möchten. Alle damit verbundenen Modelle werden der Dropdown-Liste Modell hinzugefügt. Sie können zwischen den Modellen hin und herwechseln und Modelle aus der Dropdown-Liste entfernen.
Modelltyp	Der Name der Modellarchitektur.
Backbone	Der Name des vorkonfigurierten neuronalen Netzwerks, das als Architektur für das Trainingsmodell verwendet wurde.
Lernrate	Die beim Training des neuronalen Netzwerks verwendete Lernrate. Wenn Sie keinen Wert angeben, wird er von dem Trainingswerkzeug berechnet.
Trainings- und Validierungsverlust	Dieser Abschnitt enthält ein Diagramm, das den Trainingsverlust und den Validierungsverlust im Laufe des Modelltrainings zeigt.
Analyse des Modells	Je nach Modellarchitektur ein Kennwert oder eine Zahl. Bei Pixelklassifizierungsmodellen werden beispielsweise die folgenden Kennwerte für jede Klasse angezeigt: Precision, Recall und der F1-Score. Bei Objekterkennungsmodellen wird der durchschnittliche Precision-Score angezeigt.
Beispielergebnisse	Zeigt Beispiele für Bodenreferenz- und Vorhersagepaare.
Epochendetails	Eine Tabelle mit Informationen zu den einzelnen Epochen, wie z. B. Trainingsverlust, Validierungsverlust, Zeit und andere Kennwerte.