Evaluation

Bei der Evaluation wird das Modell anhand des Testdatensatzes ausgewertet. Dieser Schritt ist eine Indikation für den Bildverarbeitungsspezialisten, wie gut das Modell in der Praxis funktionieren wird.

Anwender können ihre trainierten Netzwerke direkt im Tool auswerten und vergleichen. Der Bereich Evaluation bietet Informationen über die Modellpräzision, einschließlich einer Heatmap für die vorhergesagten Klassen aller verarbeiteten Bilder, sowie eine interaktive Konfusionsmatrix, die dabei hilft, Fehlklassifikationen aufzuspüren. Benutzer können auch die geschätzte Inferenzzeit pro Bild berechnen und die Auswertungsergebnisse als einzelne HTML-Seite zu Dokumentationszwecken exportieren.

Aktuell wird die Evaluation für folgende Deep-Learning-Methoden unterstützt:

  • Klassifikation (Video)
  • Global Context Anomaly Detection
  • Objekterkennung
  • Instanzsegmentierung
  • Semantische Segmentierung