WEBVTT - generated by wenglor-media

1
00:00:00.040 --> 00:00:01.440
En este vídeo, aprenderemos

2
00:00:01.440 --> 00:00:04.080
a revisar un modelo entrenado en AI Lab.

3
00:00:04.120 --> 00:00:06.640
Utilizaremos uno de los conjuntos de datos
de ejemplo,

4
00:00:06.640 --> 00:00:09.720
ya que incluyen modelos preentrenados.

5
00:00:09.880 --> 00:00:12.960
Vaya a la página “Models” haciendo clic
en “All Models”

6
00:00:12.960 --> 00:00:15.400
y seleccione el modelo que desea revisar.

7
00:00:18.480 --> 00:00:19.920
En la página “Model Review”,

8
00:00:19.920 --> 00:00:23.040
encontrará información detallada sobre su
rendimiento,

9
00:00:23.040 --> 00:00:25.560
incluida la precisión equilibrada en porcentaje,

10
00:00:25.560 --> 00:00:27.280
el número de predicciones erróneas,

11
00:00:27.280 --> 00:00:29.160
el tiempo de inferencia en milisegundos

12
00:00:29.160 --> 00:00:31.680
y la recuperación y precisión para cada clase.

13
00:00:40.200 --> 00:00:41.920
La “Confusion Matrix” muestra cómo se
compara

14
00:00:41.920 --> 00:00:45.360
la verdad fundamental real con los resultados
previstos

15
00:00:45.360 --> 00:00:48.240
y la precisión con la que se identificó cada
clase.

16
00:00:52.960 --> 00:00:54.960
También puede ver ejemplos de

17
00:00:54.960 --> 00:00:56.960
predicciones correctas e incorrectas.

18
00:01:01.000 --> 00:01:02.000
En la pestaña “Info”,

19
00:01:02.000 --> 00:01:05.000
verá detalles como la resolución de la imagen,

20
00:01:05.000 --> 00:01:08.000
el tamaño del conjunto de datos y el número
de clases.

21
00:01:08.000 --> 00:01:10.000
Haga clic en “Review Wrong Predictions”

22
00:01:10.000 --> 00:01:13.000
para inspeccionar las imágenes mal clasificadas
a tamaño completo.

23
00:01:20.000 --> 00:01:22.000
Aquí puede activar el “Heatmap” para comprender

24
00:01:22.000 --> 00:01:25.000
qué partes de la imagen influyeron en la predicción.

25
00:01:33.000 --> 00:01:36.000
Si es necesario, puede volver a etiquetar estas
imágenes

26
00:01:36.000 --> 00:01:38.000
y volver a entrenar el modelo para mejorar
la precisión.

27
00:01:54.000 --> 00:01:56.000
Por último, todos los detalles del rendimiento
del modelo

28
00:01:56.000 --> 00:01:58.000
se pueden ver en un informe imprimible,

29
00:01:58.000 --> 00:02:01.000
perfecto para compartir o documentar.