ข้ามไปยังเนื้อหาหลัก

เมนู

ประเมินว่าชุดข้อมูล AI เหมาะกับงานที่ต้องทำหรือไม่

ภาษา: ไทย

แจ้งการใช้งานที่ตั้งใจไว้ สคีมา และคำอธิบายตัวอย่าง เราสามารถกำหนดขอบเขตการตรวจทานความครอบคลุม คุณภาพ และสิทธิ์การใช้งาน พร้อมข้อค้นพบที่อธิบายว่าหลักฐานรองรับการใช้งานใดบ้าง อธิบายโครงการของคุณให้ sapien1 ทราบ

การประเมินชุดข้อมูลช่วยตรวจว่าข้อมูลที่มีอยู่รองรับการตัดสินใจเรื่องการฝึก การค้นคืนข้อมูล หรือการประเมินได้หรือไม่ เริ่มจากงานที่ต้องการทำ แล้วพิจารณาตัวอย่าง บริบท ป้ายกำกับ ความครอบคลุม และวิธีแบ่งข้อมูล

ตัวอย่างเช่น ชุดทดสอบอาจดูครบถ้วนทั้งที่มีกรณีที่โมเดลเคยเห็นระหว่างฝึก ประเด็นนี้สำคัญเมื่อการทดสอบมีไว้ประเมินประสิทธิภาพในกรณีใหม่ การทบทวนที่ดีระบุว่าตรวจอะไรไปแล้ว ต้องแก้อะไร และหลักฐานที่เหลือรองรับข้อสรุปใดได้บ้าง

เริ่มจากการตัดสินใจที่ต้องทำ

เขียนให้ชัดว่าต้องการใช้ชุดข้อมูลทำอะไร ระเบียนชุดเดียวกันอาจใช้ได้ดีสำหรับงานหนึ่งและไม่เพียงพอสำหรับอีกงานหนึ่ง

วัตถุประสงค์คำถามที่ต้องตอบ
การฝึกหรือการปรับจูนตัวอย่างและป้ายกำกับอธิบายพฤติกรรมที่โมเดลต้องเรียนรู้หรือไม่
การประเมินโมเดลหรือเอเจนต์ผลที่คาดหวังตรวจสอบได้หรือไม่ และกรณีทดสอบเป็นอิสระจากข้อมูลที่ใช้ฝึกหรือปรับระบบหรือไม่
การค้นคืนข้อมูลเนื้อหาเป็นปัจจุบัน ตีความได้ และระบบเข้าถึงได้เมื่อจำเป็นหรือไม่

บันทึกเวอร์ชันชุดข้อมูล แหล่งที่มา ช่วงวันที่ ฟิลด์ และข้อจำกัดที่ทราบ การ์ดชุดข้อมูล อาจอธิบายเนื้อหา บริบท และเมทาดาทา ให้เทียบการ์ดกับไฟล์จริงและเงื่อนไขการใช้งานที่เกี่ยวข้อง

ตัวอย่างการตรวจเอกสารคือคลัง lerobot/svla_so101_pickplace ที่รีวิชัน f641879 ซึ่งตรวจเมื่อ 17 พฤศจิกายน 2026 การ์ดชุดข้อมูล แสดงตัวอย่างเมทาดาทาที่ระบุ codebase_version v2.1 และพาธไฟล์แยกตามเอพิโซด ส่วน เมทาดาทาจริงที่รีวิชันเดียวกัน ระบุ codebase_version v3.0 และพาธไฟล์ที่จัดเป็นกลุ่มข้อมูล ใน ไดเรกทอรีข้อมูล มีไฟล์ที่ตั้งชื่อตามรูปแบบนั้น ตรวจเมทาดาทาและไฟล์ของรีวิชันที่ตั้งใจใช้ก่อนอาศัยพาธจากการ์ด การเปรียบเทียบนี้ยังบอกไม่ได้ว่าตัวอย่างมีคุณภาพหรือเหมาะกับการฝึกเพียงใด

ก่อนรวมข้อมูลบันทึกจากหุ่นยนต์ ให้ตรวจความหมายของช่องสัญญาณการกระทำและสถานะ รวมถึงระยะเวลาที่จำนวนขั้นคงที่แทนค่า FineART และชุดข้อมูลจำลอง ALOHA ต่างระบุ aloha และเวกเตอร์การกระทำและสถานะชนิด float32 ขนาด 14 องค์ประกอบ FineART ระบุ 30 เฟรมต่อวินาที ส่วนชุดจำลองระบุ 50 หากแต่ละขั้นเลื่อนไปหนึ่งช่วงเฟรมตามอัตราที่ระบุ ช่วง 15 ขั้นจะกินเวลา 0.5 วินาทีในชุดหนึ่งและ 0.3 วินาทีในอีกชุด ตรวจเวลาในข้อมูลบันทึกและวิธีที่กระบวนการประมวลผลเลือกแต่ละขั้นก่อนถือว่าช่วงข้อมูลจากสองแหล่งเทียบเท่ากัน เมทาดาทาของ FineART · เมทาดาทาของ ALOHA จำลอง

ดูตัวอย่างการตรวจการแบ่งข้อมูลและบริบท

สมมติว่าทีมต้องการใช้ชุดข้อมูลฝ่ายสนับสนุนลูกค้าที่มีป้ายกำกับอยู่แล้ว เพื่อตรวจก่อนปล่อยเอเจนต์ที่จะจัดการ บทสนทนาใหม่ ชุดข้อมูลมี 120 ตัวอย่าง แบ่งเป็นชุดฝึก 90 ตัวอย่างและชุดทดสอบที่เสนอ 30 ตัวอย่าง แต่ละตัวอย่างควรมีรหัสกรณี รหัสบทสนทนา เวอร์ชันนโยบายที่เกี่ยวข้อง และการดำเนินการถัดไปที่คาดหวัง

นี่คือตัวอย่างสมมติ ทีมตรวจกรณีทดสอบ 30 กรณีและเทียบกับชุดฝึก ผลเป็นดังนี้

สิ่งที่ตรวจสิ่งที่พบความหมายต่อการตัดสินใจครั้งนี้
กรณีซ้ำยืนยันว่ากรณีทดสอบสี่กรณีเป็นสำเนาของกรณีในชุดฝึกทั้งสี่กรณีมีอยู่ในข้อมูลฝึกแล้ว
บทสนทนาที่อยู่ทั้งสองชุดกรณีทดสอบอีกสามกรณีมีรหัสกรณีต่างกัน แต่อยู่ในบทสนทนาที่ปรากฏในชุดฝึกเป็นการซ้ำข้ามชุดเพิ่มเติมในการทดสอบที่มุ่งวัดผลกับบทสนทนาใหม่
บริบทของนโยบายสองกรณีจากชุดทดสอบที่เหลือ 23 กรณีไม่มีลิงก์ไปยังเวอร์ชันนโยบายผู้ทบทวนยังใช้บริบทที่บันทึกไว้ตรวจการดำเนินการที่คาดหวังเทียบกับนโยบายที่เกี่ยวข้องไม่ได้

การตรวจสองอย่างแรกพบกรณีทดสอบที่ต่างกันเจ็ดกรณี เหลือ 23 กรณีที่ไม่พบการซ้ำแบบนั้น สองกรณีใน 23 กรณีขาดบริบทของนโยบาย จึงเหลือ กรณีทดสอบ 21 กรณีที่การตรวจเหล่านี้ไม่ได้ทำเครื่องหมาย จำนวนนี้ยังบอกไม่ได้ว่าป้ายกำกับถูกต้อง ข้อมูลครอบคลุมเพียงพอ หรือ 21 กรณีเพียงพอสำหรับการตัดสินใจปล่อยระบบ

ทีมควรชะลอการใช้ชุดปัจจุบันเป็นการตรวจอิสระก่อนปล่อยระบบสำหรับบทสนทนาใหม่ แยกกรณีที่ทำเครื่องหมายไว้เพื่อตรวจทบทวน และกู้คืนบริบทที่ขาดหรือแก้ปัญหาที่เกี่ยวข้อง ตรวจว่าโมเดลและทีมพัฒนาเคยเห็นกรณีใดแล้ว การจัดไฟล์ใหม่อย่างเดียวลบประวัติการใช้งานไม่ได้ ในการแบ่งครั้งใหม่ ให้เก็บข้อมูลจากแต่ละบทสนทนาไว้ในชุดเดียวและเทียบกรณีทดสอบกับข้อมูลที่บันทึกว่าใช้ฝึกและคัดเลือกโมเดล หากตรวจที่มาของข้อมูลฝึกก่อนหน้าไม่ได้ ให้บันทึกข้อจำกัดนี้ หากผลเดิมมีผลต่อการปรับจูน ให้กันกรณีใหม่ที่ไม่เคยใช้ในการตัดสินใจเหล่านั้นไว้ ฝึกใหม่ด้วยข้อมูลที่แยกกันหากจำเป็น

คำแนะนำของ Google เรื่องการแบ่งชุดข้อมูล อธิบายว่าตัวอย่างซ้ำระหว่างข้อมูลฝึกกับข้อมูลทดสอบทำให้ผลดูดีกว่าประสิทธิภาพบนตัวอย่างใหม่ได้อย่างไร คู่มือของ scikit-learn เรื่องการตรวจสอบไขว้แบบแบ่งกลุ่ม อธิบายการเก็บข้อมูลที่เกี่ยวข้องในกลุ่มเดียวกันไว้ด้วยกันเมื่อต้องประเมินผลกับกลุ่มที่ไม่เคยเห็น กลุ่มที่เหมาะจะขึ้นอยู่กับคำถาม เช่น บทสนทนา ลูกค้า หรือเอกสาร หากการทดสอบคำบรรยายภาพกำหนดให้ใช้ภาพที่ไม่มีในชุดฝึก ให้เก็บ คำบรรยายทั้งหมดของแต่ละภาพไว้ด้วยกัน การแบ่งแต่ละแถวคำบรรยายแยกจากกันอาจทำให้ภาพเดียวกันอยู่ทั้งชุดฝึกและชุดทดสอบ สำหรับการทดสอบที่มุ่งไปยังข้อมูลในอนาคต ให้ใช้ การแบ่งตามลำดับเวลา เพื่อให้ข้อมูลฝึกไม่มีระเบียนที่เกิดหลังช่วงทดสอบ

สมมติว่าทีมต้องการทดสอบ บทสนทนาใหม่หลังจุดตัดเวลา ด้วย ในการแบ่งครั้งใหม่ บทสนทนา A มีระเบียนทั้งก่อนและหลังจุดตัด ส่วนกรณีแรกที่บันทึกไว้ของบทสนทนา B เกิดหลังจุดตัด ทางเลือกหนึ่งคือตัด A ออกจากทั้งสองชุดและเก็บ B ไว้ทดสอบ หากระเบียนของ B ไม่เคยถูกใช้ฝึกหรือคัดเลือกโมเดลมาก่อน เก็บข้อมูลฝึกไว้เฉพาะช่วงก่อนจุดตัด และตรวจการใช้งานก่อนหน้าของทั้งชุดทดสอบ บันทึกสิ่งที่ตัดออกและตรวจว่ากรณีที่เหลือครอบคลุมการใช้งานเป้าหมายหรือไม่ การทดสอบแยกที่รักษาลำดับเวลาช่วยประเมินบทสนทนาที่ยังดำเนินอยู่ได้ หากมีประวัติไม่ครบ อาจยืนยันไม่ได้ว่า B เป็นบทสนทนาใหม่จริง

ตรวจว่าเครื่องมือแบ่งข้อมูลจัดสรรอะไรจริงก่อนถือว่าสัดส่วนที่ไม่ระบุจะถูกกันไว้ประเมินแยก ตัวอย่างเช่น ฟังก์ชันแบ่งตามสัดส่วนของ LeRobot ที่รีวิชัน 7910c20 จัดสรรครบทั้ง 50 เอพิโซดในชุดสมมติเมื่อได้รับ train: 0.6 ตามด้วย test: 0.2 จัดสรรเพื่อฝึก 30 เอพิโซดและเพื่อทดสอบ 20 เอพิโซด โดยไม่เหลือเอพิโซดที่ยังไม่จัดสรร เครื่องมือหรือเวอร์ชันอื่นอาจทำงานต่างกัน และชุดขนาดเล็กอาจต้องปัดเศษหรือจัดสรรใหม่ ตรวจว่าแต่ละชุดมีเอพิโซดใดจริง เมื่อต้องเก็บกลุ่มไว้ด้วยกัน ให้เลือกและบันทึกรายการเอพิโซดที่รักษากลุ่มเหล่านั้นไว้

บันทึกการวิจัย LeRobot อธิบายว่าโปรเซสเซอร์ Diffusion ที่สร้างใหม่รับค่าสถิติการปรับมาตรฐานที่บันทึกไว้ได้อย่างไร และเปรียบเทียบช่วงของค่าสถิติกับข้อมูลสรุปจากเอพิโซดฝึกในการแบ่งสมมติที่กันข้อมูลไว้ประเมิน ตรวจว่าค่าสถิติที่โปรเซสเซอร์ของคุณโหลดมาจากไหนและอ้างอิงข้อมูลใด

ตรวจป้ายกำกับและความครอบคลุม

สำหรับข้อมูลที่มีป้ายกำกับ ให้สุ่มหรือเลือกตัวอย่างของคำตอบที่คาดหวังมาเทียบกับคำแนะนำและหลักฐานที่ใช้สร้างคำตอบ ผู้ทบทวนที่เชี่ยวชาญในเรื่องนั้นสามารถตรวจบริบทที่ขาด ป้ายกำกับที่ไม่สอดคล้องกัน และกรณีที่คำตอบที่ถูกต้องกำกวมจริง บันทึกข้อเห็นต่างและวิธีหาข้อยุติ ความเห็นพ้องมีประโยชน์ ส่วนความถูกต้องของป้ายกำกับต้องตรวจโดยอาศัยหลักฐาน งานวิจัยเรื่อง การจัดการคุณภาพคำกำกับข้อมูล แยกการทบทวน การวัดความเห็นพ้อง และการตัดสินข้อเห็นต่างเป็นคนละส่วนของกระบวนการ

ป้ายกำกับคลาสที่เป็นตัวเลขต้องมีการจับคู่รหัสกับชื่อและนิยามของคลาส เทียบนิยามและรหัสข้ามเวอร์ชันและชุดย่อย แล้วเทียบกับการจับคู่ที่โมเดลต้องการ บันทึกการเปลี่ยนแปลงการจับคู่รหัสและวิธีจัดการคลาสที่หายไปหรือถูกรวม คู่มือชุดข้อมูลของ Ultralytics Platform ระบุว่าการรวมหรือลบคลาสอาจเลื่อนรหัสของคลาสที่ตามมา ทำให้ไฟล์ส่งออกเก่าไม่ตรงกับรายการคลาสใหม่ ตรวจการจับคู่ในไฟล์ส่งออกและกระบวนการของคุณเอง

ตรวจว่าชุดข้อมูลครอบคลุมสถานการณ์ที่เกี่ยวข้องกับเป้าหมายหรือไม่ เช่น คำขอที่พบบ่อย ข้อยกเว้นที่สำคัญ ภาษา ช่วงเวลา หรือกลุ่มอื่นที่มีความหมาย กลุ่มที่มีตัวอย่างน้อยอาจต้องใช้ข้อมูลเพิ่มหรือวิเคราะห์แยก จำนวนตัวอย่างที่ต้องการอาจต่างกันตามกลุ่ม

บันทึกว่าเลือกตัวอย่างสำหรับทบทวนอย่างไร ชุดที่เลือกด้วยมืออาจช่วยให้เห็นปัญหา แต่อัตราความผิดพลาดในชุดนั้นใช้แทนอัตราของชุดข้อมูลทั้งหมดไม่ได้ คำแนะนำเรื่องการสุ่มตัวอย่างของ Google อธิบายว่าการเลือกตัวอย่างอาจบิดเบือนข้อสรุปเกี่ยวกับประชากรที่ใหญ่กว่าได้อย่างไร

แม้แต่ตัวอย่างแบบสุ่มก็อาจไม่พบข้อผิดพลาด สมมติว่าข้อมูลอีกชุดหนึ่งซึ่งเป็นตัวอย่างสมมติมี 120 ระเบียนและมีป้ายกำกับผิดหกระเบียน ถ้าสุ่มเลือกระเบียนที่ต่างกัน 20 ระเบียนโดยให้โอกาสเท่ากันและไม่คืนกลับ ประมาณ 33% ของการสุ่มจะไม่มีระเบียนใดในหกระเบียนนั้นอยู่ในตัวอย่างเลย การเลือก 47 ระเบียนลดโอกาสที่จะไม่พบเลยแม้แต่ระเบียนเดียวจากทั้งหกระเบียนให้ต่ำกว่า 5% หากผู้ทบทวนตรวจพบทุกป้ายกำกับที่ผิดในระเบียนที่เลือก นี่เป็นตัวอย่างเพื่อวางแผนโดยสมมติว่ามีข้อผิดพลาดหกจุด ตัวอย่างที่ไม่พบข้อผิดพลาดยังบอกไม่ได้ว่ามีข้อผิดพลาดพอดีหกจุดหรือพิสูจน์ว่าระเบียนที่เหลือถูกต้องทั้งหมด เลือกขนาดตัวอย่างตามความถี่ของข้อผิดพลาดและโอกาสที่จะตรวจไม่พบที่มีผลต่อการตัดสินใจ แล้วบันทึกวิธีเลือกและตรวจตัวอย่าง บทนำเรื่องการสุ่มตัวอย่างของ NIST ครอบคลุมการเลือกและขนาดตัวอย่าง ส่วน งานวิจัยเรื่องคุณภาพคำกำกับข้อมูล อธิบายการประมาณคุณภาพด้วยสถิติและการสุ่มตัวอย่างเพื่อพิจารณารับงาน

เปรียบเทียบคะแนนการอ่านข้ามภาษา

ตัดสินใจว่าต้องเปลี่ยนอะไร

แปลงสิ่งที่พบเป็นการดำเนินการที่ทีมทำได้

  • แก้ไข กู้คืนบริบทที่ขาด แก้ข้อผิดพลาดที่ยืนยันแล้ว หรือปรับคำแนะนำการติดป้ายกำกับ จากนั้นตรวจระเบียนที่ได้รับผลกระทบอีกครั้ง
  • จำกัดการใช้ ใช้ชุดข้อมูลเฉพาะกับงานหรือกลุ่มย่อยที่ข้อมูลรองรับ และระบุช่องว่างที่ทราบ
  • ชะลอการใช้ กันชุดข้อมูลออกจากการฝึกที่วางแผนไว้หรือการตัดสินใจปล่อยระบบจนกว่าจะแก้ปัญหาที่สำคัญ
  • เพิ่มข้อมูล เก็บหรือจัดหาตัวอย่างสำหรับสถานการณ์ที่ขาด หรือสร้างชุดทดสอบใหม่ที่ยังไม่เคยใช้ฝึกหรือปรับจูน

ทำให้ระบุแยกได้ว่าเวอร์ชันไหนเป็นต้นฉบับและเวอร์ชันไหนเป็นฉบับแก้ไข บันทึกสิ่งที่ตรวจ วิธีเลือกตัวอย่าง สิ่งที่พบ การตัดสินใจของผู้ทบทวน และคำถามที่ยังค้าง เพื่อให้ทีมอื่นเข้าใจว่าเปลี่ยนอะไรและเพราะเหตุใด

ตรวจยืนยันชุดข้อมูล Parquet ที่เขียนใหม่

เมื่อมีการเขียนชุดไฟล์ Parquet ที่ส่งมอบใหม่ ให้ระบุว่าไฟล์ใหม่ต้องรักษาคุณสมบัติใดไว้เพื่อให้ใช้กับงานของคุณได้ บันทึกเวอร์ชันของไฟล์เดิมและไฟล์ที่แก้แล้ว จากนั้นตรวจด้วยตัวอ่านที่ทีมใช้งานจริงในขั้นต่อไป ตัวอย่างต่อไปนี้ใช้ข้อมูลสมมติ

  • ฟิลด์ของแต่ละแหล่ง บันทึกสคีมาของไฟล์ต้นฉบับแต่ละไฟล์หากต้องแยกฟิลด์ที่ไม่มีออกจากค่า null ที่ระบุไว้อย่างชัดเจน ในตัวอย่าง DuckDB 1.4.4 การสลับว่าแหล่งใดไม่มีฟิลด์ให้ไฟล์ที่รวมแล้วเหมือนกันทุกประการ แม้ยังเก็บชื่อแหล่งไว้ สคีมาต้นฉบับแสดงการเปลี่ยนแปลงได้ทั้งสองจุด การรวมสคีมาใน DuckDB
  • คู่กรณีกับป้ายกำกับ ตรวจว่ารหัสกรณีมีครบและไม่ซ้ำ เทียบกับรายการรหัสที่คาดไว้ แล้วเทียบป้ายกำกับตามรหัส ในตัวอย่างแปดแถว การเขียนใหม่ทั้งสองแบบให้เมทาดาทาท้ายไฟล์และจำนวนป้ายกำกับแต่ละแบบเท่าเดิม แบบหนึ่งย้ายป้ายกำกับสองรายการไปอยู่กับกรณีอื่น ส่วนอีกแบบสลับลำดับทั้งแถวโดยยังรักษาทุกคู่ไว้ โครงสร้างไฟล์ Parquet
  • ค่าตัวเลขหลังถอดรหัส ตรวจชนิดเชิงตรรกะและเทียบค่าตัวเลขที่จะอ่าน ในตัวอย่างทศนิยม การเปลี่ยนสเกลจาก 2 เป็น 3 ทำให้ 12.34 กลายเป็น 1.234 ทั้งที่ค่าจำนวนเต็มที่เก็บไว้และไบต์ของส่วนข้อมูลคอลัมน์ยังเหมือนเดิม ข้อกำหนดเลขทศนิยมของ Parquet
  • วันที่ตามเขตเวลาท้องถิ่น เมื่อรายงานจัดกลุ่มตามวันท้องถิ่น ให้เทียบวันที่ของแต่ละเหตุการณ์ในเขตเวลาที่ตกลงกัน เมื่อใช้ PyArrow 26.0.1 เหตุการณ์สองรายการยังอยู่ ณ เวลาเดิมหลังเขียนไฟล์ใหม่โดยไม่ใส่เมทาดาทาสคีมา Arrow เมื่ออ่านด้วย UTC ทั้งสองรายการถูกนับในวันที่ 1 กรกฎาคม การใช้เขตเวลานิวยอร์กที่ตกลงกันไว้ทำให้กลับไปอยู่วันที่ 30 มิถุนายนและ 1 กรกฎาคมตามเดิม ตัวเลือกการเขียนไฟล์ของ PyArrow

ใช้คุณสมบัติที่ตกลงร่วมกันเป็นเกณฑ์ของแต่ละการตรวจ หากเปลี่ยนลำดับได้ การสลับแถวที่รักษาคู่เดิมย่อมผ่านการตรวจคู่กรณีกับป้ายกำกับ หากข้อตกลงกำหนดให้ตรวจว่าฟิลด์มีอยู่ในแต่ละแหล่งและสคีมาต้นฉบับไม่พร้อม ให้ชะลอการตรวจนั้นจนกู้คืนหลักฐานได้

ตรวจสอบการแปลงข้อมูล COCO

เมื่อแปลงชุดข้อมูลตรวจจับวัตถุ COCO ให้เทียบการจับคู่ภาพกับรหัสระหว่างต้นฉบับกับไฟล์ส่งออก ตรวจว่าภาพต้นทางแต่ละภาพมีรหัสตัวเลขเฉพาะตัวในข้อมูลส่งออก และคำกำกับกับผลคาดการณ์ยังอ้างถึงภาพที่ถูกต้อง เมื่อกำหนดให้ใช้การจับคู่รหัสที่บันทึกไว้ ตัวส่งออก FiftyOne ที่ทดสอบจะแปลง 01 และ 1 เป็นจำนวนเต็มเดียวกัน ดัชนี COCO ที่ทดสอบเก็บแถวภาพสุดท้ายสำหรับรหัสนั้น และจัดกลุ่มคำกำกับไว้ใต้รหัสเดียวกัน แก้รหัสซ้ำก่อนให้คะแนน ตัวส่งออก FiftyOne · ดัชนี COCO

เก็บรหัสเดิมไว้หากทำได้ หากต้องเปลี่ยน ให้รักษาลำดับเชิงตัวเลขสัมพัทธ์และคำนวณ average precision (AP) ใหม่บนข้อมูลต้นฉบับและข้อมูลที่แปลงแล้ว ใช้รีวิชันและการตั้งค่าของตัวประเมินเดียวกัน ใช้คะแนนคาดการณ์ก่อนปัดเศษ และจับคู่ผลคาดการณ์กับภาพที่สอดคล้องกันในการคำนวณแต่ละครั้ง เพิ่มการตรวจขนาดเล็กด้วยผลการตรวจจับสองรายการที่คะแนนความมั่นใจเท่ากัน อยู่ในหมวดเดียวกัน และอยู่คนละภาพ รายการหนึ่งต้องตรงกับคำกำกับอ้างอิงและอีกรายการเป็นผลบวกลวง ตัวประเมิน COCO ที่ทดสอบเรียงรหัสภาพและรักษาลำดับนั้นเมื่อผลตรวจจับคนละภาพมีคะแนนเท่ากัน การกำหนดหมายเลขใหม่จึงอาจเปลี่ยน AP ได้แม้ผลการจับคู่ยังเหมือนเดิม หาข้อยุติของคะแนนที่ต่างกันก่อนเปรียบเทียบสองเวอร์ชัน ลำดับภาพใน COCO · การสะสมคะแนนใน COCO

sapien1 ช่วยทีมประเมินชุดข้อมูลและวางแผนการประเมินให้สอดคล้องกับงานที่ระบบ AI ต้องทำ หลังตรวจข้อมูลแล้ว โปรดดู คู่มือการประเมินเอเจนต์ สำหรับขั้นต่อไป หากพบช่องว่างของข้อมูล คู่มือการจัดหาข้อมูล ช่วยระบุสิ่งที่ต้องหาเพิ่มเติมได้