文档首页/ AI开发平台ModelArts/ ModelArts用户指南（Standard）/ 使用自动学习实现零代码AI开发/ 使用自动学习实现图像分类/ 训练图像分类模型
更新时间：2024-11-21 GMT+08:00
查看PDF
分享

训练图像分类模型

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

  1. 请确保您的数据集中的已标注的图片不低于100张。
  2. 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。

操作步骤

  1. 参考标注图像分类数据章节，确保您的数据已全部完成标注。
  2. 在新版自动学习页面，单击数据标注节点的“继续运行”按钮，然后等待工作流按顺序进入训练节点即可。
  3. 模型将会自动进入训练，无需人工介入，训练时间相对较长，建议您耐心等待。如果关闭或退出此页面，系统仍然在执行训练操作。
  4. 在“图像分类”节点中，待训练状态由“运行中”变为“运行成功”，即完成了模型的自动训练。
  5. 训练完成后，您可以单击“图像分类”节点上方的按钮，查看相关指标信息，如“准确率”、“评估结果”等。评估结果参数说明请参见表1。
    图1 模型评估报告
    表1 评估结果参数说明

    参数名称

    参数含义

    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。

    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。

    f1

    F1值

    F1值是模型精确率和召回率的加权调和平均，用于评价模型的好坏，当F1较高时说明模型效果较好。

同一个自动学习项目可以训练多次，每次训练会注册一个新的模型版本。如第一次训练版本号为“0.0.1”，下一个版本为“0.0.2”。基于训练版本可以对训练模型进行管理。当训练的模型达到目标后，再执行模型部署的操作。

相关文档