Parámetros de entrenamiento de la herramienta

Abre el cuadro de diálogo Conjunto de entrenamiento, que sirve para especificar los conjuntos de muestras y el porcentaje de imágenes etiquetadas que se seleccionarán aleatoriamente como muestras de entrenamiento para la red neuronal cada vez que se inicie un nuevo entrenamiento.

Especifica el número de iteraciones de optimización realizadas durante el entrenamiento. Este ajuste puede reducirse cuando su aplicación tiene una complejidad limitada, o si puede servir un modelo de menor calidad al probar distintos ajustes de parámetros.

Una época es el término para pasar todo el Conjunto de entrenamiento a la red neuronal.

La Herramienta de lectura azul tiene un ajuste mucho más pequeño (10) porque ya tiene una red bien entrenada en distintos conjuntos de caracteres. Sin embargo, para las otras herramientas, se está empezando con una red no inicializada y, normalmente, estas necesitan ver los datos del conjunto de imágenes de entrenamiento en algún lugar del orden de 50 veces (y es en el área de Ajuste preciso), que es el valor predeterminado y suele bastar para la mayoría de aplicaciones estándar.

Si se opta por usar menos épocas, la red neuronal podría acabar atascándose en el aprendizaje o ser incapaz de resolver el problema con precisión, mientras que demasiadas épocas podrían provocar un sobreajuste (también conocido como sobreentrenamiento) de los resultados (es decir, aprenderá solo las imágenes entrenadas, y cualquier cosa fuera de las imágenes entrenadas no se considerará válida). Es importante entrenar la red hasta el punto de generalizarla fuera del conjunto de imágenes de entrenamiento. Si aumenta demasiado los tiempos, corre el riesgo de sobreentrenar y sobreajustar los datos del conjunto de imágenes de entrenamiento.

Especifica la capacidad del modelo para dar cuenta de los distintos grados de complejidad visual. Para patrones muy simples, debería utilizarse un ajuste de capacidad menor para evitar el sobreajuste. En el caso de imágenes u objetos complejos, se debería usar un ajuste de mayor capacidad para evitar el subajuste.

Especifica el número de entrenamientos iterativos que se deben realizar para lidiar mejor con problemas estadísticamente difíciles que muestren una complejidad distribuida muy desigual entre imágenes, y/o dentro de las diferentes áreas de las imágenes. Este parámetro ayuda a guiar la herramienta hacia donde hay complejidad en la vista. Esto es útil cuando la vista contiene múltiples áreas estructuradas distintivas. Hará que el algoritmo ignore áreas de baja complejidad (p. ej., fondos blancos sin detalles) y se centre en áreas de mayor complejidad (p. ej., líneas y otros detalles precisos).