检查不同标签的样本数是否均衡，建议不同标签的样本数量级相同，并尽量接近，如果有的类别数据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步”，进入应用开

查看更多 →

据量很高，有的类别数据量较低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步”，进入应用开发的“模型评估”步骤，详细操作指引请参见评估模型。 父主题： 无监督车牌检测工作流

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选

查看更多 →

华为云子账号时，建议使用华为云主账号注册，注册IMC时用到的华为云账号默认为IMC的企业管理员。 企业管理员可以给自己授权ERP应用，也可以不授权。给自己授权ERP应用时，默认角色是ERP管理员。如果企业管理员在角色上不是ERP管理员，需要在角色管理上调整企业管理员在ERP的角色为普通用户。

查看更多 →

领域模型 领域模型描述业务域的概念及其关系，是立足于业务域的分析模型，它通过业务问题域的分析和建模，抽象出领域概念，建立统一的业务语言，从而指导后续的架构设计工作。 元素介绍 元素名 图标 含义 Domain 域，用于在架构表达、开发管理、对外介绍的过程中，表达系统的层次关系或内

查看更多 →

在技术模型图上创建出来的技术元素； 引用到技术模型中的技术元素（包含关联空间中的引用的技术元素）； 如何检查 查询基于模型图（只有技术模型图内的技术元素参与构树）并展示不匹配元素构出的技术模型架构树，找出所有技术元素中不在架构树中的技术元素。 正确示例 按逻辑规则构建的架构信息树：

查看更多 →

填写物理表信息 编辑物理表：单击右侧表格中的“编辑”，跳转进入编辑物理表页面。 图8 编辑物理表-1 图9 编辑物理表-2 批量导入：批量物理表信息填入下载的模板后上传，完成批量导入。 图10 批量导入-1 图11 批量导入-2 批量删除：批量删除所勾选的物理表，默认置灰。 图12 批量删除

查看更多 →

图3 模型评估报告 表1 评估结果参数说明 参数 说明 recall：召回率 被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率

查看更多 →

模型训练 完成图片标注后，可进行模型的训练。模型训练的目的是得到满足需求的图像分类模型。请参考前提条件确保已标注的图片符合要求，否则数据集校验将会不通过。 前提条件 请确保您的数据集中的已标注的图片不低于100张。 请确保您的数据集中至少存在2种以上的图片分类，且每种分类的图片不少于5张。

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。 F1值 F1值是模型精确率

查看更多 →

设备模型 设备规格定义 父主题： 制造数据模型管理

查看更多 →

模型推理 模型初始化成功后，调用infer接口进行模型推理。灌入一组数据，并得到推理结果。输入数据的类型不是uint8或float32数组组成的list将会抛出一个ValueError。 接口调用 hilens.Model.infer(inputs) 参数说明 表1 参数说明 参数名

查看更多 →

模型训练 企业A在完成特征选择后，可以单击右下角的“启动训练”按钮，配置训练的超参数并开始训练。 等待训练完成后就可以看到训练出的模型指标。 模型训练完成后如果指标不理想可以重复调整7、8两步的所选特征和超参数，直至训练出满意的模型。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

读取模型 概述 读取spark pipeline model类型的模型文件。 输入 无 输出 spark pipeline model类型的模型对象 参数说明 参数 参数说明 input_model_path 模型文件所在的路径 样例 params = { "input_model_path":

查看更多 →

保存模型 概述 保存spark pipeline类型的模型到本地文件系统。 输入 参数 子参数 参数说明 inputs pipeline_model inputs为字典类型，pipeline_model为pyspark中的PipelineModel对象 输出 无 参数说明 参数 子参数

查看更多 →

模型工程 分类 聚类 评估 推荐 回归 文本 时间序列 父主题： 预置算子说明

查看更多 →

模型管理 使用租间管理员账号登录AICC。 选择“配置中心>机器人管理>语义理解管理> 系统管理>模型管理” 单击“新增”，依次输入“名称”、“语言”、“模型类型”、“描述”。 图1 新增模型 单击“保存”，完成配置。 父主题： 其他操作

查看更多 →