视线vidi统计概述
![蓝色深深学习数字脑子横幅图像](http://m.czl106.com/library/media/blogs/deep-learning-blogs/2021/what-is-deep-learning-large.jpg?sc_lang=en&h=300&w=945&la=en&hash=2E77DA2E7601CF8405B46430F9DDD00A)
统计分析是核心视线vidi深度学习工具因为他们验证了软件的性能。该培训视频说明了一些最重要的统计概念,该概念与视线vidi开发机器视觉应用。德国必威
![](https://play.vidyard.com/byoQVfKKaNCkqKT5K2Rb9D.jpg)
您将在此视频中了解的内容:
实地真相。在深度学习申请中,软件使用基于地面真理事实的统计分析来利用地面真相来吸引推断,或准确性预测。
标签。视线上的Vidi开发人员使用标签来建立基础事实。每个标签都告诉软件在数字图像中要查找的内容。该软件使用标签在数字图像中的不同对象或功能之间绘制比较。
标记。这是推论中发挥的地方。视线上的VIDI工具使用统计分析来推断在多个数字图像中标签生成的数据的含义。该软件的推论在图形中表示,帮助开发人员了解应用程序的性能。深度学习的核心是吸引最准确的推论。为此,地面真理和标签必须尽可能准确。
测试/火车分裂。导入到In-Sight Vidi的一些数字图像用于训练应用程序,而剩余图像用于测试其精度。通常,分裂是50/50,并且随机选择测试/训练图像。
正/否定预测。深度学习的应用程序必须能够预测数字照片中的信息是否与标签生成的地面真实数据匹配。这个过程创造了四个结果:真正的积极,真正的负,假阳性,假阴性。该软件将这四个结果进行比较,以生成有助于机器愿景开发人员微调其应用程序的准确性的数据。目标是培训软件,正确地区分这四个结果。
生产错误。在生产环境中,机器视觉系统自动检查以提高准确性和效率。德国必威目标是将错误降低到尽可能接近零,但不可避免地出现一些错误。这是相关术语:
- 矫枉过正。假阳性(或类型1)错误。检查错误拒绝没有缺陷的部分。
- 逃脱。假阴性(或类型2)错误。检查未能拒绝不良部分。
混乱矩阵。这是一个图形,说明了地面真理与应用程序的预测之间的差异。理想情况下,真正的结果形成从图像的左上角向下倾斜的对角线。
记起。这是正确识别的数字图像中的功能的百分比。它通过将总积极划分的总阳性和假否定的总和(TP / TP + Fn)分开来计算。
精确。匹配标记功能或类的检测功能的百分比。它通过将总阳性除以总阳性和误报(TP / TP + FP)来计算。
F得分。召回和精度的谐波平均值。它是召回和精确数据的计算平均值。
每个视线Vidi工具 -Vidi Read,Vidi Check和Vidi检测- 使用这些统计框架不同,但它们都旨在充分准确的预测。下面的链接转到帮助页面,进一步说明这些点。他们还支持视频中涵盖的主题。