> 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 दिखाती हैं: 1. एक production metrics explorer, जो आपको वह optimal confidence threshold ढूँढ़ने में मदद करता है जिस पर आप अपने model को run कर सकते हैं; 2. Model improvement recommendations, जो बताते 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 ढूँढ़ने के लिए कर सकते हैं जिनमें आपका model अच्छा करता है और जिनमें उसे दिक्कत होती 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 सुधार के क्षेत्रों की पहचान करने के लिए model evaluation का उपयोग कर सकते हैं. Paid users द्वारा Roboflow पर train किए गए या upload किए गए सभी versioned models के लिए model evaluations अपने-आप run होती हैं। कुछ सौ images वाले dataset के लिए evaluation run होने में कई मिनट लग सकते हैं, और हज़ारों 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 करती है. Semantic Segmentation के लिए, headline metric है **mIoU** (mean Intersection-over-Union) mAP के बजाय। सभी metrics (precision, recall, F1) object के बजाय pixel स्तर पर calculate की जाती हैं। per-class breakdown में IoU, precision, recall, F1, और प्रत्येक class के लिए एक optimal confidence threshold दिखता है। Confusion matrix के मान object counts के बजाय pixel counts को दर्शाते हैं। ### Open Model Evaluation अपने model के लिए confusion matrix और vector explorer ढूँढ़ने के लिए, अपने project में किसी भी trained model version को open करें। फिर, "View Evaluation" button पर click करें:
एक window खुलेगी जहाँ आप अपनी confusion matrix और vector analysis देख सकते हैं। ### Production Metrics Explorer Production metrics explorer आपके model के लिए सभी possible 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। यही वह threshold है जो आपको Precision/Recall/F1 Score का सबसे अच्छा trade-off देगा। Model evaluation पूरी होने के बाद, optimal confidence threshold अपने-आप आपके model के inference requests के लिए default के रूप में apply हो जाता है। यदि per-class thresholds उपलब्ध हैं, तो वे भी apply हो जाते हैं, और किसी भी ऐसी class के लिए जिसका अपना value नहीं है, global threshold fallback के रूप में उपयोग होता है। फिर भी आप किसी भी individual inference request पर confidence threshold को 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 की गई confusion matrix के परिणामों पर आधारित हैं। (इस page पर आगे अपनी confusion matrix के बारे में अधिक 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 confuse (गलत identify) होती हैं। * कौन सी classes को accuracy सुधारने के लिए अधिक data चाहिए। * कब 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 नज़र में यह देखने के लिए कर सकते हैं कि आपका model किन classes को अच्छी तरह पहचानता 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 विशिष्ट classes पर केंद्रित कर सकते हैं:
आप Confidence Threshold slider को move करके भी देख सकते हैं कि यह chart अलग-अलग confidence thresholds पर कैसे बदलता है:
By default, यह chart वह optimal confidence threshold उपयोग करेगा जिसकी हम recommend करते हैं। ### Confusion Matrix आपकी confusion matrix दिखाती है कि आपका model अलग-अलग classes पर कितना अच्छा प्रदर्शन करता है। आपकी confusion matrix आपके trained model के साथ test और validation sets की images run करके calculate की जाती 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 किसी object को पहचानता है जबकि ground truth data में वहाँ कोई object मौजूद नहीं होता (false negatives). यहाँ एक उदाहरण confusion matrix है:
यदि आपका model कई classes detect करता है, तो scroll bars दिखाई देंगी जो आपको आपकी confusion matrix में navigation करने देंगी। By default, confusion matrix दिखाती है कि जब आपका model उसके लिए calculate किए गए optimal threshold पर run होता है तो वह कैसा प्रदर्शन करता है। आप Confidence Threshold slider का उपयोग करके confidence threshold समायोजित कर सकते हैं। जब आप slider configure करेंगे, आपकी confusion matrix, precision, और recall update हो जाएँगे:
आप confusion matrix के हर 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 ground truth data में object मौजूद नहीं था, फिर भी उसे identify किया गया।
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:
अपने annotations देखने के लिए "Ground Truth" पर click करें और यह देखने के लिए "Model Predictions" पर click करें कि आपके model ने क्या return किया। --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://docs.roboflow.com/roboflow/roboflow-hi/train/evaluate-trained-models.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.