Vad lär sig modellen?

BADBOB / FÖRDJUPNING · 10 min

Följ ett exempel från facit till uppdaterade vikter.

Läsutkast · Svenska och English

Vi granskar innehåll och illustrationer på svenska och engelska innan fler språk läggs till.

Du ger exempel och ett facit

För detektion anger annoteringarna klass och box för varje märkt objekt. För instanssegmentering behöver träningsunderlaget också beskriva varje objekts mask. Klassen säger vad; geometrin säger var.

Objekt som glömts bort i facit kan lära modellen fel. Om bara röda äpplen ligger på samma vita bord i alla träningsbilder kan bakgrunden bli en genväg. Träningsexempel behöver spegla variationen i den verkliga uppgiften.

  1. Exempel + facit
  2. Beräkna
  3. Mät felet
  4. Justera vikterna
Pedagogisk illustration — inte en körd modell eller uppmätta aktiveringar.
Gå djupare

Negativa bilder kan vara värdefulla när de representerar miljöer där objekten inte finns. Svåra exempel är användbara när facit är tydligt. Fler bilder med inkonsekvent märkning kan göra underlaget sämre, trots att det blir större.

Ett träningssteg, synligt i siffror

Först gör modellen en förutsägelse. En förlustfunktion mäter avvikelsen från facit. Backpropagation beräknar hur parametrarna påverkar förlusten, och optimeraren använder den informationen för att uppdatera dem.

Här finns bara en vikt, w. Indatan är 2 och facit är 6. Förutsägelsen är 2 × w. Tryck på knappen och följ hur vikten närmar sig 3.

2 × 0.5 = 1 → 6

Vikt
0.5
Förlust
12.5
Steg
0
Ett räkneexempel med en enda vikt. Det tränar ingen BadBob-modell.
Gå djupare

Räkneexemplet använder förlusten L = ½(2w − 6)², gradienten dL/dw = 2(2w − 6) och uppdateringen w ← w − 0,1 × dL/dw. Det är gradient descent i ett mycket litet, konvext problem.

Ett bildnät har många samverkande parametrar och ett betydligt svårare optimeringslandskap. Förlusten måste inte minska vid varje steg på verkliga minibatcher. Räkneexemplet är en illustration av mekanismen, inte en prognos för en träningskörning.

Att börja med tidigare kunskap

I BadBobs experimentella recept · Recept granskat 29 oktober 2026

Transfer learning återanvänder parametrar från en tidigare tränad modell. Det kan ge en användbar start när det egna datasetet är mindre. De nya klasserna och uppgiften behöver ändå läras och utvärderas.

I BadBobs experimentella YOLACT-recept laddas ImageNet-tränade ResNet-50-vikter till ryggraden. Segmenteringshuvudena initieras lokalt. Optimeraren får modellens parametrar; receptet fryser batchnormaliseringens beteende. Det är inte samma sak som att frysa hela ryggraden.

Gå djupare

Förtränade filter är en utgångspunkt, inte en garanti. Skillnader i exempelvis bildtyp, skala och objektutseende påverkar överföringen. Ett namn som ”ResNet-50” beskriver en arkitekturfamilj; viktfilens ursprung och träning avgör vilken start man faktiskt får.

Träna, välja och pröva

Train används för parameteruppdateringar. Val hjälper dig jämföra inställningar och välja körning. Test används för den avslutande bedömningen när valen är gjorda.

Håll närbesläktade bilder i samma delning. Nästan identiska kamerarutor på båda sidor ger en alltför enkel utvärdering. Testa också på bilder från andra tillfällen, miljöer och ljusförhållanden som hör till användningen.

Gå djupare

En låg träningsförlust visar att modellen passar sitt träningsmål på det data den sett. Den visar inte ensam hur väl modellen generaliserar. Om du upprepade gånger väljer modell efter samma testdata har även testet blivit en del av beslutsprocessen.

Vad sparas efter träningen?

I BadBobs experimentella recept · Recept granskat 29 oktober 2026

Tränade modellvikter är resultatet du använder för inferens. En checkpoint kan dessutom innehålla optimerarens tillstånd och annan information som behövs för att återuppta en körning. Det är olika typer av artefakter.

BadBobs experimentella segmenteringscheckpoint sparar bland annat modell, optimerare, slumpgeneratorns tillstånd, steg och datasetidentitet. Att sådan information finns i filen betyder inte att varje träningsläge erbjuder en knapp för återupptagning.

Gå djupare

Jämför körningar med samma datasetversion och utvärderingsregler. Dokumentera också förbehandling, seed, bildstorlek och programversion. Två lika långa körningar är inte automatiskt samma experiment.

Källor och vidare läsning