Revisión del modelo de aprendizaje profundo

Disponible con licencia de Image Analyst.

Comprender los modelos de aprendizaje profundo es esencial antes de utilizarlos para realizar inferencias. Revisar un modelo le ofrece una indicación de cómo se entrenó y cómo podría funcionar. En muchos casos, puede tener varios modelos para comparar. El panel Revisar modelo de aprendizaje profundo permite revisar los modelos de aprendizaje profundo entrenados y creados. Para abrir el panel Revisar modelo de aprendizaje profundo, haga clic en el menú desplegable Herramientas de aprendizaje profundo y seleccione Revisar modelo de aprendizaje profundo .

El panel Revisar modelo de aprendizaje profundo muestra información del archivo de definición del modelo de Esri (*.emd) y el contenido de la carpeta ModelCharacteristic. Si estos archivos o carpetas no existen, el panel mostrará el mensaje de error Información insuficiente disponible en: <nombre de carpeta> mensaje de error. La siguiente tabla describe el contenido del panel Revisar modelo de aprendizaje profundo.

Elemento	Descripción
Modelo	Utilice el botón Examinar para buscar el modelo que desea revisar. Todos los modelos asociados a él se agregarán a la lista desplegable Modelo. Puede pasar de un modelo a otro y eliminar modelos de la lista desplegable.
Tipo de modelo	El nombre de la arquitectura modelo.
Backbone	El nombre de la red neuronal preconfigurada que se utilizó como arquitectura para el modelo de entrenamiento.
Tasa de aprendizaje	La tasa de aprendizaje utilizada en el entrenamiento de las redes neuronales. Si no especifica el valor, será calculado por la herramienta de formación.
Pérdidas de entrenamiento y validación	Esta sección muestra un gráfico que muestra las pérdidas de entrenamiento y las pérdidas de validación a lo largo del entrenamiento del modelo.
Análisis del modelo	Una métrica o un número, en función de la arquitectura del modelo. Por ejemplo, los modelos de clasificación de píxeles mostrarán las siguientes métricas para cada clase: precisión, recuperación y f1-score. Los modelos de detección de objetos mostrarán la puntuación media de precisión.
Resultados de muestra	Muestra ejemplos de pares de referencia del suelo y predicciones.
Detalles de épocas	Una tabla que contiene información para cada época, como la pérdida de entrenamiento, la pérdida de validación, el tiempo y otras métricas.