> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/roboflow/roboflow-hi/train/evaluate-trained-models.md).
# Trained Models का मूल्यांकन करें
Model evaluations दिखाते हैं:
1. एक production metrics explorer, जो आपको उस optimal confidence threshold को खोजने में मदद करता है जिस पर आपका model चलाया जाए;
2. Model improvement recommendations, जो यह सुझाव देती हैं कि आप अपने model की accuracy कैसे बढ़ा सकते हैं;
3. Performance by class, जो दिखाता है कि आपका model अलग-अलग classes को कितनी अच्छी तरह पहचानता है;
4. एक confusion matrix, जिसका उपयोग आप उन specific classes को खोजने के लिए कर सकते हैं जिनमें आपका model अच्छा या कमजोर प्रदर्शन करता है, और;
5. एक interactive vector explorer जो आपको images के ऐसे clusters पहचानने देता है जहाँ आपका model अच्छा या खराब प्रदर्शन करता है;
आप अपने model के improvement areas की पहचान करने के लिए model evaluation का उपयोग कर सकते हैं।
Paid users द्वारा Roboflow पर train किए गए या uploaded सभी versioned models के लिए model evaluations automatically run होते हैं। कुछ सौ images वाले dataset के लिए evaluation चलने में कई मिनट लग सकते हैं, और हजारों या उससे अधिक images वाले बड़े datasets के लिए कई घंटे लग सकते हैं।
### Supported Project Types
Model evaluation Object Detection, Instance Segmentation, Classification, और Semantic Segmentation projects को support करता है।
Semantic Segmentation के लिए, headline metric है **mIoU** (mean Intersection-over-Union) mAP के बजाय। सभी metrics (precision, recall, F1) per-instance के बजाय pixel level पर compute किए जाते हैं। per-class breakdown में IoU, precision, recall, F1, और प्रत्येक class के लिए एक optimal confidence threshold दिखता है। Confusion matrix के values object counts के बजाय pixel counts दर्शाते हैं।
### Open Model Evaluation
अपने model के लिए confusion matrix और vector explorer खोजने के लिए, अपने project में कोई भी trained model खोलें। फिर, "View Evaluation" button पर click करें:
एक window खुलेगी जहाँ आप अपना confusion matrix और vector analysis देख सकते हैं।
### Production Metrics Explorer
production metrics explorer आपके model के लिए सभी संभव confidence thresholds पर Precision, Recall, और F1 score दिखाता है। यह जानकारी एक graph पर प्रस्तुत की जाती है।
इन statistics का उपयोग करके, production metrics explorer एक "optimal confidence" recommend करेगा। यह वह threshold है जो आपको Precision/Recall/F1 Score का सबसे अच्छा trade-off देगा।
Model evaluation complete होने के बाद, optimal confidence threshold आपके model के inference requests के लिए default के रूप में automatically apply हो जाता है। यदि per-class thresholds उपलब्ध हैं, तो वे भी apply होते हैं, और किसी भी class के लिए जिसका अपना value नहीं है, global threshold fallback के रूप में उपयोग किया जाता है।
आप किसी भी individual inference request पर confidence threshold को अभी भी override कर सकते हैं, इसके लिए `confidence` parameter को explicitly pass करें।
आप slider को drag करके अलग-अलग confidence thresholds पर F1/Precision/Recall values देख सकते हैं:
### Model Improvement Recommendations
आपके model evaluation का model improvement recommendations section बताता है कि आप अपने model की accuracy कैसे बढ़ा सकते हैं। ये improvements आपके model के साथ calculate किए गए confusion matrix के results पर आधारित हैं। (इस page पर आगे अपने confusion matrix के बारे में और जानकारी देखें)।
model improvement recommendations feature निम्न से संबंधित सुझाव दे सकता है:
* ऐसे model को कैसे improve करें जो बहुत सारे false negatives predict करता है।
* ऐसे model को कैसे improve करें जो बहुत सारे false positives predict करता है।
* कौन-सी classes अक्सर confused (गलत पहचानी) जाती हैं।
* कौन-सी classes को accuracy improve करने के लिए अधिक data की जरूरत है।
* जब test या validation set बहुत छोटा हो सकता है।
* और भी बहुत कुछ।
### Performance by Class
performance by class chart दिखाता है कि आपके dataset की सभी classes में कितनी correct predictions, misclassifications, false negatives, और false positives हैं।
आप इस जानकारी का उपयोग एक नजर में यह देखने के लिए कर सकते हैं कि किन classes को आपका model अच्छी तरह पहचान सकता है और किन classes को पहचानने में हमारा model संघर्ष करता है।
यदि आपके dataset में classes की संख्या बहुत अधिक है, तो आप "All Classes" dropdown खोलकर और जिन classes को highlight करना चाहते हैं उन्हें चुनकर chart को specific classes पर focus कर सकते हैं:
आप Confidence Threshold slider को move करके भी देख सकते हैं कि अलग-अलग confidence thresholds पर यह chart कैसे बदलता है:
By default, यह chart हमारे द्वारा recommend किया गया optimal confidence threshold उपयोग करेगा।
### Confusion Matrix
आपका confusion matrix दिखाता है कि आपका model अलग-अलग classes पर कितना अच्छा perform करता है।
आपका confusion matrix आपके test और validation sets की images को आपके trained model के साथ run करके calculate किया जाता है। फिर आपके model के results की तुलना आपके dataset annotations के "ground truth" से की जाती है।
confusion matrix tool के साथ, आप पहचान सकते हैं:
* वे classes जहाँ आपका model अच्छा प्रदर्शन करता है।
* वे classes जहाँ आपका model किसी object के लिए गलत class पहचानता है (false positives)।
* वे instances जहाँ आपका model एक object पहचानता है जहाँ कोई मौजूद नहीं होता (false negatives)।
यहाँ confusion matrix का एक उदाहरण है:
यदि आपका model कई classes detect करता है, तो scroll bars दिखाई देंगे जो आपको अपने confusion matrix में navigate करने देते हैं।
By default, confusion matrix दिखाता है कि आपका model तब कैसा perform करता है जब उसे आपके model के लिए calculated optimal threshold पर run किया जाता है।
आप Confidence Threshold slider का उपयोग करके confidence threshold adjust कर सकते हैं। जैसे-जैसे आप slider configure करते हैं, आपका confusion matrix, precision, और recall update होंगे:
आप confusion matrix के प्रत्येक box पर click करके देख सकते हैं कि संबंधित category में कौन-सी images दिखाई देती हैं।
उदाहरण के लिए, आप "False Positive" column के किसी भी box पर click करके उन images की पहचान कर सकते हैं जहाँ एक object पहचाना गया था जबकि आपके ground truth data में वह मौजूद नहीं था।
आप किसी individual image पर click करके interactive view में जा सकते हैं, जहाँ आप ground truth (आपके annotations) और model predictions के बीच toggle कर सकते हैं:
"Ground Truth" पर click करके अपने annotations देखें और "Model Predictions" पर click करके देखें कि आपका model ने क्या return किया।