图像分割模型如何提升效果

一个模型很难一次性就训练到最佳的效果，可能需要结合模型评估报告和校验结果不断扩充数据和调优。

为此我们设计了模型迭代功能，即当模型训练完毕后，会生成一个最新的版本号，首次V1、之后V2……以此类推。可以通过调整训练数据和算法，多次训练，获得更好的模型效果。

注意：如果模型已经是上线状态（包括已付费的模型服务），依然支持模型迭代。只需要在训练完毕后发布新的版本，就可以获得更新后的模型服务。

想要提升模型效果，可以尝试以下两种方法：

检查并优化训练数据

1. 检查是否存在训练数据过少的情况，建议每个标签标注50个目标以上，如果低于这个量级建议扩充。
2. 检查不同标签的标注目标数是否均衡，建议不同标签的标注目标数数据量级相同，并尽量接近，如果有的标签标注的很多，有的标签标注的很少，会影响模型整体的识别效果。
3. 通过模型效果评估报告中的错误识别示例，有针对性地扩充训练数据。
4. 检查测试模型的数据与训练数据的采集来源是否一致，如果设备不一致、或者采集的环境不一致，那么很可能会存在模型效果不错但实际测试效果较差的情况。针对这种情况建议重新调整训练集，将训练数据与实际业务场景数据尽可能一致。

云服务调用数据管理

开通云服务调用数据管理功能后，可查找云服务模型识别错误的数据，纠正结果并将其加入模型迭代的训练集，实现训练数据的持续丰富和模型效果的持续优化

具体使用流程如下：

1. 为已上线接口开通云服务调用数据服务

2. 通过选择调用时间、标签，并设置筛选条件，查看疑似错误识别的图片

注意：数据将从开通功能后开始存储，最多存储30天的数据。当天调用的数据暂不支持即时查看，可在第二天查看

3. 将接口识别错误的图片添加到指定数据集（建议新建数据集）并纠正结果。后续训练模型时，只需增加包含接口数据的数据集，即可提升模型效果

尝试不同的训练配置

可前往训练配置页面尝试不同的配置组合，因不同数据集在不同的算法上可能表现不一致，所以建议您多尝试不同的算法选型后综合挑选精度最高的模型使用，你可以选择如下的配置项：

• 增量训练
• 在高级训练配置中增加输入图片分辨率