Révision des modèles de Deep Learning

Disponible avec une licence Image Analyst.

Il faut bien comprendre les modèles de Deep Learning avant de pouvoir les utiliser pour l’inférence. Réviser un modèle donne une indication sur la façon dont il a été entraîné et sur ses performances. Il arrive souvent qu’il y ait plusieurs modèles à comparer. La fenêtre Review Deep Learning Model (Réviser un modèle de Deep Learning) permet de réviser les modèles de Deep Learning qui ont été entraînés et créés. Pour ouvrir la fenêtre Review Deep Learning Model (Réviser un modèle de Deep Learning), cliquez sur le menu déroulant Deep Learning Tools (Outils de Deep Learning) et sélectionnez Review Deep Learning Model (Réviser un modèle de Deep Learning) .

La fenêtre Review Deep Learning Model (Réviser un modèle de Deep Learning) affiche les informations du fichier de définition de modèle Esri (*.emd) et du contenu du dossier ModelCharacteristic. Si ces fichiers ou dossiers n’existent pas, le message d’erreur Insufficient information available at: <folder name> (Informations insuffisantes disponibles dans : <nom du dossier>) s’affiche dans la fenêtre. Le tableau ci-dessous décrit le contenu de la fenêtre Review Deep Learning Model (Réviser un modèle de Deep Learning).

Élément	Description
Modèle	Utilisez le bouton Browse (Parcourir) pour trouver le modèle à réviser. Tous les modèles associés seront ajoutés à la liste Model (Modèle). Vous pouvez changer de modèle et supprimer des modèles de la liste déroulante.
Type de modèle	Nom de l’architecture de modèle.
Backbone	Nom du réseau neuronal préconfiguré utilisé comme architecture pour le modèle d’entraînement.
Vitesse d’apprentissage	Vitesse d’apprentissage utilisée pour l’entraînement des réseaux neuronaux. Si vous n’avez pas spécifié cette valeur, elle est calculée par l’outil d’entraînement.
Perte d’entraînement et de validation	Cette section affiche un graphique qui montre les pertes d’entraînement et de validation lors de l’entraînement du modèle.
Analyse du modèle	Mesure ou nombre, selon l’architecture du modèle. Par exemple, les modèle de classification de pixels affichent les mesures suivantes pour chaque classe : précision, rappel et score f1. Les modèles de détection d’objets affichent le score de précision moyen.
Exemples de résultats	Affiche des exemples de paires référence de terrain/prévisions.
Détails des époques	Tableau contenant des informations sur chaque époque, telles que la perte d’entraînement, la perte de validation, le temps et d’autres mesures.