> 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-ko/train/evaluate-trained-models.md). # 학습된 모델 평가 Model evaluations는 다음을 보여줍니다: 1. 모델을 실행할 최적의 confidence threshold를 찾는 데 도움이 되는 production metrics explorer; 2. 모델 정확도를 높이는 방법에 대한 제안을 제공하는 model improvement recommendations; 3. 클래스별 성능으로, 모델이 다양한 클래스를 얼마나 잘 식별하는지 보여줍니다; 4. confusion matrix로, 모델이 잘하는 클래스와 어려움을 겪는 특정 클래스를 찾는 데 사용할 수 있으며, 5. 모델이 잘하거나 잘하지 못하는 이미지 클러스터를 식별할 수 있게 해주는 인터랙티브 vector explorer; model evaluation을 사용하여 모델의 개선이 필요한 영역을 식별할 수 있습니다. model evaluation은 유료 사용자가 Roboflow에 학습했거나 업로드한 모든 버전 관리된 모델에 대해 자동으로 실행됩니다. 수백 장의 이미지로 구성된 데이터셋의 경우 평가가 완료되는 데 몇 분이 걸릴 수 있으며, 수천 장 이상의 이미지가 있는 대규모 데이터셋의 경우 몇 시간이 걸릴 수 있습니다. ### 지원되는 Project 유형 model evaluation은 Object Detection, Instance Segmentation, Classification, Semantic Segmentation 프로젝트를 지원합니다. Semantic Segmentation의 주요 지표는 **mIoU** (mean Intersection-over-Union)이며 mAP 대신 사용됩니다. 모든 지표(precision, recall, F1)는 인스턴스별이 아니라 픽셀 수준에서 계산됩니다. 클래스별 세부 내역에는 각 클래스의 IoU, precision, recall, F1, 그리고 최적의 confidence threshold가 표시됩니다. confusion matrix 값은 객체 수가 아니라 픽셀 수를 나타냅니다. ### Model Evaluation 열기 모델의 confusion matrix와 vector explorer를 찾으려면 프로젝트에서 학습된 모든 모델 버전을 여세요. 그런 다음 "View Evaluation" 버튼을 클릭하세요:
confusion matrix와 vector analysis를 볼 수 있는 창이 열립니다. ### Production Metrics Explorer production metrics explorer는 가능한 모든 confidence threshold에서 모델의 Precision, Recall, F1 점수를 보여줍니다. 이 정보는 그래프로 표시됩니다. 이 통계를 바탕으로 production metrics explorer는 "optimal confidence"를 추천합니다. 이는 Precision/Recall/F1 Score의 균형이 가장 좋은 threshold입니다. model evaluation이 완료되면, 추천된 optimal confidence threshold가 모델의 inference 요청에 대한 기본값으로 자동 적용됩니다. 클래스별 threshold를 사용할 수 있는 경우 그것들도 함께 적용되며, 개별 값이 없는 클래스에는 전역 threshold가 대체값으로 사용됩니다. 여전히 개별 inference 요청에서 confidence threshold를 재정의할 수 있으며, `confidence` 파라미터를 명시적으로 전달하면 됩니다.
슬라이더를 드래그하여 서로 다른 confidence threshold에서의 F1/Precision/Recall 값을 볼 수 있습니다:
### Model Improvement Recommendations model evaluation의 model improvement recommendations 섹션에는 모델의 정확도를 높이는 방법에 대한 제안이 나열됩니다. 이러한 개선 사항은 모델로 계산된 confusion matrix 결과를 기반으로 합니다. (이 페이지의 뒤쪽에서 confusion matrix에 대한 더 자세한 정보를 확인하세요). model improvement recommendations 기능은 다음과 관련된 제안을 할 수 있습니다: * 많은 false negative를 예측하는 모델을 개선하는 방법. * 많은 false positive를 예측하는 모델을 개선하는 방법. * 자주 혼동되는(잘못 식별되는) 클래스. * 정확도 향상을 위해 더 많은 데이터가 필요한 클래스. * test 또는 validation set이 너무 작을 수 있는 경우. * 그 외 더 많은 항목.
### 클래스별 성능 클래스별 성능 차트는 데이터셋의 모든 클래스에 걸쳐 올바른 예측, 오분류, false negative, false positive가 각각 몇 개 있는지 보여줍니다. 이 정보를 사용하면 한눈에 모델이 잘 식별할 수 있는 클래스와 모델이 식별하는 데 어려움을 겪는 클래스를 확인할 수 있습니다.
데이터셋에 클래스가 매우 많다면 "All Classes" 드롭다운을 열고 강조 표시할 클래스를 선택하여 차트를 특정 클래스에 집중시킬 수 있습니다:
Confidence Threshold 슬라이더를 움직여 서로 다른 confidence threshold에서 이 차트가 어떻게 변하는지도 볼 수 있습니다:
기본적으로 이 차트는 우리가 추천하는 최적의 confidence threshold를 사용합니다. ### Confusion Matrix confusion matrix는 모델이 다양한 클래스에서 얼마나 잘 수행하는지 보여줍니다. confusion matrix는 학습된 모델로 test 및 validation set의 이미지를 실행하여 계산됩니다. 그런 다음 모델의 결과를 데이터셋 주석의 "ground truth"와 비교합니다. confusion matrix 도구를 사용하면 다음을 식별할 수 있습니다: * 모델이 잘 수행하는 클래스. * 모델이 객체에 대해 잘못된 클래스를 식별하는 경우(false positive). * 모델이 객체가 존재하지 않는 곳에서 객체를 식별하는 경우(false negative). 다음은 confusion matrix 예시입니다:
모델이 많은 클래스를 감지하면 confusion matrix를 탐색할 수 있도록 스크롤 바가 나타납니다. 기본적으로 confusion matrix는 모델에 대해 계산된 최적 threshold에서 실행했을 때 모델이 어떻게 동작하는지를 보여줍니다. Confidence Threshold 슬라이더를 사용하여 confidence threshold를 조정할 수 있습니다. 슬라이더를 설정하면 confusion matrix, precision, recall이 업데이트됩니다:
confusion matrix의 각 상자를 클릭하면 해당 범주에 어떤 이미지가 나타나는지 볼 수 있습니다. 예를 들어 "False Positive" 열의 아무 상자나 클릭하면 ground truth 데이터에는 존재하지 않는데 객체가 식별된 이미지를 찾을 수 있습니다.
개별 이미지를 클릭하여 ground truth(주석)와 model predictions 사이를 전환할 수 있는 인터랙티브 보기로 들어갈 수 있습니다:
"Ground Truth"를 클릭하여 주석을 보고, "Model Predictions"를 클릭하여 모델이 반환한 결과를 확인하세요. --- # 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-ko/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.