你当前正在访问 Microsoft Azure Global Edition 技术文档网站。 如果需要访问由世纪互联运营的 Microsoft Azure 中国技术文档网站，请访问 https://docs.azure.cn。
重要
仅为方便起见，提供非英语翻译。 请参阅EN-US版本以获取最终版本的文件。
使用 Azure AI 自定义视觉生成的分类器或对象检测器模型的质量取决于训练模型时提供的标记数据的数量、质量和种类。 质量还取决于整体数据集在类之间的平衡程度。
训练模型后，可以看到项目性能 customvision.ai 的估计值。 自定义视觉使用你提交的用于训练的图像来估计精度、召回率和平均平均精度。 图像分类器有效性的这三个度量定义如下：
- 精度 是正确标识的分类的百分比。 例如，如果模型将 100 张图像标识为狗，其中 99 张图像实际上是狗，则精度为 99%。
- 召回率是指正确识别的实际分类的百分比。 例如，如果实际上有 100 张苹果图像，并且模型将 80 个标识为苹果，则召回率为 80%。
- 平均平均精度 （mAP）是平均精度（AP）的平均值。 AP 是精准率/召回率曲线下的区域（精准率根据每次进行的预测的召回率绘制）。
概率阈值 是预测需要具有的所需置信度，才能被视为正确。 当使用较高的概率阈值来解释预测调用时，它们往往会以高精度返回结果，但以召回率为代价。 也就是说，检测到的分类是正确的，但许多人仍然未检测到。 使用较低的概率阈值则恰恰相反：大多数实际分类会被检测到，但该集合中出现更多假正例。 考虑到这一点，应该根据项目的特定需求设置概率阈值。 默认情况下，概率阈值为 50%，可在 0% 和 100%之间设置。 若要调整概率阈值，请转到“性能”选项卡上的“customvision.ai”，找到“概率阈值”滑块，并根据需要对其进行调整。
评估和集成自定义视觉供你使用
改进模型准确性的最佳做法
生成自定义视觉模型的过程是迭代的。 每次训练模型时，都会使用自己的更新性能指标创建新的迭代。 可以在 customvision.ai 项目的 性能 选项卡的左侧窗格中查看所有迭代。
模型将学习如何根据图像共有的任意特征进行预测。 若要防止过度拟合，请参阅 如何改进自定义视觉模型。
我们建议您在迭代中使用其他数据来测试模型。 你可以决定要发布/导出和用于推理的模型迭代。
根据模型的性能，需要确定模型是否适合用例和业务需求。 下面是一种可能采用的方法。 可以在独立环境中部署自定义视觉模型，测试模型相对于用例的性能，然后使用预测进一步训练模型，直到达到所需的性能级别。
有关详细信息，请参阅 快速入门：使用自定义视觉网站生成分类器，快速入门 ：使用自定义视觉网站生成对象检测器。