Skip to main content

调整推理平滑 (Adjust Inference Smoothing)

本节说明如何使用 Reality AI Tools 中的 推理平滑 (Inference Smoothing) 功能测试和优化您的已训练模型。推理平滑通过在指定范围内平均预测结果来提高模型稳定性，从而减少实时预测中的噪声。

访问测试和优化部分 (Accessing the Test and Optimize Section)​

  1. 从左侧导航窗格导航到 测试与优化 (Test & Optimize) > 调整推理平滑 (Adjust Inference Smoothing)。

  2. 选择 已训练工具 (Trained Tool)（您的已训练模型）和 数据样本列表 (Data Sample List)（您希望用于测试的数据集）。

  3. 点击 分析预测 (Analyze Predictions)。 这将设置用于将平滑技术应用于模型预测的图形用户界面 (GUI)。

理解推理平滑技术 (Understanding Inference Smoothing Techniques)​

您可以应用两种类型的推理平滑：

  1. 窗口平滑 (Window Smoothing) 在固定数量的预测上应用平滑，使您能够减少随机波动的影响。

  2. 分组平滑 (Grouped Smoothing) 通过基于元数据（例如源文件名）对预测进行分组来应用平滑，这对于上下文感知预测非常有用。

应用窗口平滑 (Applying Window Smoothing)​

  1. 选择 窗口平滑 (Window Smoothing) 选项卡。

  2. 从下拉菜单中，选择 平滑类型 (Smoothing Type)：

    • 预测投票 (Prediction Vote)： 使用平滑窗口内出现频率最高的预测类别（例如 glass_break 或 everything_else）。
    • 类别评分 (Class Score)： 平均每个预测的类别分数（0 到 1 之间的概率）。

  3. 如果使用 预测投票，请配置以下内容：

    • 最小票数 (Minimum Vote)（可选）： 定义选择一个类别所需的最小票数。这仅适用于 预测投票 模式。
    • 平滑窗口 (Smoothing Window)： 设置计算众数（最频繁值）的连续预测数量。
      • 例如：对于玻璃破碎检测系统，如果平滑窗口设置为 5 且 最小票数 为 3，则如果 glass_break 类别在 5 次中至少出现 3 次，模型将把该分段分类为 glass_break。

  4. 如果使用 类别评分：

    • 仅设置 平滑窗口 (Smoothing Window)。
    • 由于此方法使用概率分数（0 到 1 之间），因此您无需设置最小票数值。

  5. 点击 保存更改 (Save Changes) 以保存您的设置。

注意

保存更改会将带有平滑配置的模型存储在服务器上，使其可用于未来的测试和嵌入式导出。

应用分组平滑 (Applying Grouped Smoothing)​

  1. 选择 分组平滑 (Grouped Smoothing) 选项卡。

  2. 选择 平滑类型 (Smoothing Type)：

    • 预测投票 (Prediction Vote)： 平均每组内预测的类别。
    • 类别评分 (Class Score)： 平均每组内的概率类别分数。

  3. 设置 分组依据 (Group By) 选项：

    • 您可以按 元数据（例如源文件、日期或任何其他元数据字段）对预测进行分组。
    • 这允许模型在每个元数据组内分别应用平滑。

  4. 如果使用 预测投票：

    • 设置 最小票数 (Minimum Votes) 值（可选）。
      • 如果设置为 0，模型将使用多数投票方法。
      • 如果设置为大于 0 的值，模型将需要那么多票数才能选择一个类别。
    • 例如：如果 分组依据 设置为 源文件 (Source File) 且 最小票数 为 0，则模型将在每个文件内执行多数投票平滑。

  5. 如果使用 类别评分：

    • 设置 分组依据 (Group By) 元数据字段。
    • 无需设置最小票数值，因为此方法使用概率分数。

示例：推理平滑的工作原理​

场景： 您有一个预测两个类别的模型：glass_break（玻璃破碎）和 everything_else（其他）。

示例 1：带预测投票的窗口平滑​

  • 平滑类型：预测投票
  • 平滑窗口：5
  • 最小票数：3
预测序列平滑结果
glass_break, glass_break, everything_else, glass_break, glass_breakglass_break
everything_else, everything_else, glass_break, glass_break, glass_breakglass_break

示例 2：带类别评分的分组平滑​

  • 平滑类型：类别评分
  • 分组依据：源文件 (Source File)
  • 每个文件被视为一个单独的组，用于平均类别分数。
源文件预测 (原始)平滑结果
File10.7 (glass_break), 0.6 (glass_break), 0.4 (everything_else)glass_break (平均分 = 0.65)
File20.3 (glass_break), 0.2 (everything_else), 0.8 (glass_break)glass_break (平均分 = 0.43)

何时使用每种平滑技术​

  • 当您希望对固定数量的预测进行滚动平均时，请使用 窗口平滑，这适用于实时推理场景。
  • 当您希望基于上下文元数据（例如文件名、录制会话）平滑预测时，请使用 分组平滑。
优化模型性能的提示
  • 尝试不同的 平滑窗口大小，以在响应性和稳定性之间找到适当的平衡。
  • 对于 预测投票，确保 最小票数 设置为一个避免误报的值。
  • 对于 分组平滑，选择与您的测试条件一致的元数据字段（例如源文件、录制日期）。

保存并导出优化后的模型​

调整并应用平滑后，点击 保存更改 (Save Changes)。

  • 模型将随新的平滑设置一起保存在服务器上。
  • 当您导出模型进行嵌入式部署时，也将应用这些设置。