评估参数
评估间隔
模型训练至多少代评估一次。默认一代评估一次
调整评估间隔会影响模型训时长，训练时间会随着评估间隔的增大而缩短，但不会影响模型结果。
不同评估间隔对比
评估间隔为：1
评估间隔为：4
通过周期性评估验证模型在测试集的检出能力，可实时跟踪模型的收敛趋势与泛化能力。不同任务会有不同的指标，包括精确率、准确率、召回率、IoU、混淆矩阵等。
训练 loss 反映模型对训练数据的拟合程度，mAP（Mean Average Precision）与 mAR（Mean Average Recall）是评估模型过检与漏检的核心指标。
保存过漏检数据
模型最后一代训练完成后，会对验证集及原有标注进行验证，并保存过漏检数据。通过过漏检数据，可针对性优化模型。
过漏检分析
可以使用测试平台加载过漏检数据及对应模型，分析过漏检原因：
-
分析漏检样本，可以明确训练集中哪类样本不足，对漏检率高的类别，采集更多样化的训练数据。
-
分析过检样本，可确定是模型 真实过检还是数据漏标，
-
真实过检是指图片确实无目标，模型误检出，如是真实过检，可以准备OK图，让模型学习良品图像的特征，降低过检；
-
数据漏标是指图片有目标但没标注，模型正确检出。如是数据漏标，则需要补充标注数据，漏标也是模型存在漏检的原因之一。
-
-
分析误判样本，可以确定是 标注错误还是类别混淆。
-
标注错误是指人眼能正确区分，但是标注错了，比如应该是划痕，但是标成了脏污。如是标注错误，需要清洗标注，修改错误标签。
-
类别混淆指这两类样本特征相似。如是类别混淆，但是人眼可以区分，增加该类别的训练样本数量，如果人眼分不清，考虑合并相似类别训练。
-
降低过检的方法
-
ROI-检测区域
预先定位检测区域，这种方式可以将背景区域的干扰去掉。
-
后处理
通过后处理，面积过滤等方式，将未达到规格的缺陷过滤。
-
使用 OK 图像训练
使用 OK 图训练：适用于产品表面没有明显异常的情况。
-
识别过检特征并屏蔽结果
将过检区域通过AI自动标注后，将标签名称修改为OK或其他类别，在最终输出时，屏蔽此类别。适用于产品本身的特征造成的过检
部署参数
勾选自动加速
训练完成→输出dvp、dvt模型→ dvt模型可直接部署到现场。
不勾选自动加速
训练完成→只输出dvp模型→需用AI模型加速器手动加速→得到dvt。
