Vorhersageergebnisse von Bildklassifizierungsmodellen interpretieren
Mit Sammlungen den Überblick behalten
Sie können Inhalte basierend auf Ihren Einstellungen speichern und kategorisieren.
Nach der Anforderung einer Vorhersage gibt Vertex AI Ergebnisse basierend auf dem Ziel Ihres Modells zurück. Die AutoML-Bildklassifizierungsmodelle mit einem einzelnen Label geben eine einzelne Labelkategorie und den entsprechenden Konfidenzwert zurück. Klassifizierungsvorhersagen mit mehreren Labels geben mehrere Labelkategorien und die zugehörigen Konfidenzwerte zurück.
Der Konfidenzwert gibt an, wie stark Ihr Modell die einzelnen Klassen oder Labels mit einem Testelement verknüpft. Je höher die Zahl, desto höher die Konfidenz des Modells, dass das Label auf dieses Element angewendet werden sollte. Sie entscheiden, wie hoch der Konfidenzwert für die Annahme der Ergebnisse des Modells sein muss.
Schieberegler für Punktzahl-Schwellenwert
In der Google Cloud Console bietet Vertex AI einen Schieberegler, mit dem der Konfidenschwellenzwert für alle Klassen oder Labels oder für eine einzelne Klasse oder ein einzelnes Label angepasst wird. Der Schieberegler ist auf der Detailseite eines Modells im Tab Bewerten verfügbar. Der Konfidenzschwellenwert ist das Konfidenzniveau, das das Modell haben muss, um einem Testelement eine Klasse oder ein Label zuzuweisen. Wenn Sie den Schwellenwert anpassen, können Sie sehen, wie sich die Genauigkeit und die Trefferquote des Modells ändern. Höhere Schwellenwerte erhöhen normalerweise die einzelne und verringern den Recall.
Beispielausgabe für eine Batchvorhersage
Die Ausgabe der Batchvorhersage der AutoML-Bildklassifizierung wird als JSON-Zeilendateien in Cloud Storage-Buckets gespeichert. Jede Zeile der JSON Lines-Datei enthält alle Annotationskategorien (Labelkategorien) sowie die zugehörigen Konfidenzwerte für eine einzelne Bilddatei.
[[["Leicht verständlich","easyToUnderstand","thumb-up"],["Mein Problem wurde gelöst","solvedMyProblem","thumb-up"],["Sonstiges","otherUp","thumb-up"]],[["Schwer verständlich","hardToUnderstand","thumb-down"],["Informationen oder Beispielcode falsch","incorrectInformationOrSampleCode","thumb-down"],["Benötigte Informationen/Beispiele nicht gefunden","missingTheInformationSamplesINeed","thumb-down"],["Problem mit der Übersetzung","translationIssue","thumb-down"],["Sonstiges","otherDown","thumb-down"]],["Zuletzt aktualisiert: 2025-08-28 (UTC)."],[],[],null,["# Interpret prediction results from image classification models\n\nAfter requesting a prediction, Vertex AI returns results based on your model's objective. AutoML single-label image classification predictions return a single label category and its corresponding confidence score. Multi- label classification predictions return multiple label categories and their corresponding confidence scores.\n\n\u003cbr /\u003e\n\n\nThe confidence score communicates how strongly your model associates each\nclass or label with a test item. The higher the number, the higher the model's\nconfidence that the label should be applied to that item. You decide how high\nthe confidence score must be for you to accept the model's results.\n\n\u003cbr /\u003e\n\n#### Score threshold slider\n\n\nIn the Google Cloud console, Vertex AI provides a slider that's\nused to adjust the confidence threshold for all classes or labels, or an\nindividual class or label. The slider is available on a model's detail page in\nthe **Evaluate** tab. The confidence threshold is the confidence level that\nthe model must have for it to assign a class or label to a test item. As you\nadjust the threshold, you can see how your model's precision and recall\nchanges. Higher thresholds typically increase precision and lower recall.\n\n\u003cbr /\u003e\n\n#### Example batch prediction output\n\nBatch AutoML image classification prediction output are stored as\n[JSON Lines](https://jsonlines.org/)\nfiles in Cloud Storage buckets. Each line of the JSON Lines file\ncontains all annotation (label) categories and their corresponding\nconfidence scores for a single image file.\n\n\n| **Note**: The following JSON Lines example includes line breaks for\n| readability. In your JSON Lines files, line breaks are included only after each\n| each JSON object.\n\n\u003cbr /\u003e\n\n\n```\n{\n \"instance\": {\"content\": \"gs://bucket/image.jpg\", \"mimeType\": \"image/jpeg\"},\n \"prediction\": {\n \"ids\": [1, 2],\n \"displayNames\": [\"cat\", \"dog\"],\n \"confidences\": [0.7, 0.5]\n }\n}\n```"]]
