ابدأ

رؤى حول تقييم النموذج وضبطه بدقة

بعد تدريب نموذج YOLO، تتمثل الخطوة التالية في قياس مستوى أدائه وضبطه بدقة لسد الفجوات. يستخدم التقييم مقاييس مثل mAP وIoU لتحديد الدقة كميًا، بينما يضبط الضبط الدقيق معلمات التدريب لتعزيز نقاط الضعف، كي يحقق النموذج هدف مشروعك. يشرح هذا الدليل مقاييس التقييم الأساسية، وكيفية قراءتها، وكيفية الاستفادة مما توضحه.



شاهد: رؤى حول تقييم النماذج وضبطها الدقيق | نصائح لتحسين متوسط الدقة

يأتي التقييم والضبط الدقيق قرب نهاية سير عمل مشروع الرؤية الحاسوبية، بعد بدء التدريب وعندما تحتاج إلى التحقق من أن النموذج دقيق وفعّال وجاهز للنشر.

مقاييس التقييم الأساسية#

تقيس مقاييس متنوعة مدى فعالية أداء النموذج. وتوفّر مقاييس الأداء هذه رؤى رقمية واضحة توجّه التحسينات لضمان تحقيق النموذج لأهدافه المقصودة.

درجة الثقة#

تمثل درجة الثقة مدى يقين النموذج من أن الكائن المكتشف ينتمي إلى فئة معينة. وتتراوح بين 0 و1، وتشير الدرجات الأعلى إلى ثقة أكبر. تساعد درجة الثقة على تصفية التنبؤات؛ إذ لا تُعد صحيحة إلا عمليات الكشف التي تتجاوز درجات ثقتها عتبة محددة.

لا ترى أي تنبؤات؟

إذا لم تظهر لك أي تنبؤات عند تشغيل الاستدلال، بعد التحقق من كل شيء آخر، فجرّب خفض عتبة الثقة. فقد تكون العتبة مرتفعة جدًا أحيانًا، ما يدفع النموذج إلى تجاهل التنبؤات الصالحة. ويتيح خفضها للنموذج أخذ احتمالات أكثر في الحسبان. وقد لا يحقق هذا أهداف مشروعك النهائية، لكنه طريقة جيدة لمعرفة ما يستطيع النموذج فعله وتحديد كيفية ضبطه بدقة.

التقاطع على الاتحاد#

التقاطع على الاتحاد (IoU) مقياس في اكتشاف الكائنات يقيس مدى تداخل الصندوق المحيط المتوقع مع الصندوق المحيط للحقيقة الأرضية. وتتراوح قيم IoU بين 0 و1، حيث تشير القيمة 1 إلى تطابق تام. ويُعد IoU أساسياً لأنه يقيس مدى تطابق الحدود المتوقعة مع الحدود الفعلية للكائن.

Intersection over Union Overview

متوسط الدقة#

يقيس متوسط الدقة المتوسطة (mAP) الأداء الإجمالي لنموذج اكتشاف الكائنات. فهو يفحص دقة اكتشاف كل فئة من الكائنات، ويحسب متوسط هذه الدرجات، ويقدم قيمة واحدة توضّح مدى دقة النموذج في تحديد الكائنات وتصنيفها.

يشيع الإبلاغ عن مقياسي mAP التاليين:

  • mAP50: يقيس متوسط الدقة عند عتبة IoU واحدة مقدارها 0.5. ويتحقق هذا المقياس مما إذا كان النموذج قادرًا على العثور على الكائنات على نحو صحيح وفق متطلبات دقة أقل صرامة. ويركز على ما إذا كان الكائن في موضعه التقريبي الصحيح، من دون اشتراط تطابق مثالي، ويساعد على معرفة مدى كفاءة النموذج عمومًا في رصد الكائنات.
  • mAP50-95: يحسب متوسط قيم mAP المحسوبة عند عتبات IoU متعددة، من 0.5 إلى 0.95 بزيادات قدرها 0.05. وهذا المقياس أكثر تفصيلًا وصرامة، إذ يقدم صورة أكمل عن دقة النموذج في العثور على الكائنات عند مستويات متفاوتة من الصرامة، ويفيد بوجه خاص في التطبيقات التي تتطلب كشفًا دقيقًا للكائنات.

تشمل مقاييس mAP الأخرى mAP75، الذي يستخدم عتبة IoU أشد صرامة مقدارها 0.75، وAPS وAPM وAPL، التي تقيّم الدقة للكائنات الصغيرة والمتوسطة والكبيرة.

Three ways to improve mAP: data quality, model optimization, and annotation process

تقييم نموذج YOLO26#

يمكنك تقييم نموذج YOLO26 مُدرَّب باستخدام وضع التحقق. وللاطلاع بتعمق أكبر على كيفية حساب كل مقياس وتفسيره، راجع دليل مقاييس أداء YOLO26.

التعامل مع أحجام الصور المتغيرة#

يساعدك تقييم النموذج على صور بأحجام مختلفة على فهم أدائه عبر مجموعات بيانات متنوعة. يستخدم التحقق افتراضيًا تجميعًا مستطيلًا (rect=True في model.val()): إذ يجمع الصور حسب نسبة الأبعاد ويحشو كل دفعة لتأخذ شكلًا مستطيلًا، وبذلك تُقيَّم الصور المستطيلة من دون إجبارها على اتخاذ شكل مربع.

تحدد المعلمة imgsz حجم الصورة المستخدم أثناء التحقق. إذا لم تحدده صراحةً، يعيد YOLO26 استخدام القيمة المحفوظة في إعدادات النموذج (640 للنماذج الرسمية المدربة مسبقًا، أو الحجم الذي دُرّبت عليه نقطة تحقق مخصصة). عند استخدام rect=True، قد تختلف أشكال التحقق عن predict (راجع rect). اضبط imgsz وفقًا لأبعاد مجموعة بياناتك وذاكرة GPU المتاحة.

الوصول إلى مقاييس YOLO26#

لفهم أداء نموذجك بالتفصيل، يمكنك الوصول إلى مقاييس تقييم محددة باستخدام بضعة أسطر من Python. يحمّل المقتطف أدناه نموذجًا، ويشغّل التحقق، ويطبع المقاييس الأكثر فائدة.

الاستخدام
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")

# ⁨تشغيل التحقق على مجموعة البيانات⁩
results = model.val(data="coco8.yaml")

# ⁨المقاييس الإجمالية⁩
print("mAP50-95:", results.box.map)  # ⁨mAP عند IoU ‏0.50:0.95⁩
print("mAP50:", results.box.map50)  # ⁨mAP عند IoU ‏0.50⁩
print("mAP75:", results.box.map75)  # ⁨mAP عند IoU ‏0.75⁩
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Fitness:", results.box.fitness())  # ⁨الدرجة الموزونة المستخدمة لاختيار النموذج⁩

# ⁨المقاييس لكل فئة⁩
print("Class indices evaluated:", results.box.ap_class_index)
print("Per-class mAP50-95:", results.box.maps)  # ⁨تحتفظ الفئات غير الموجودة في مجموعة التحقق بقيمة mAP الإجمالية⁩

# ⁨الدقة والاستدعاء وF1 وTP وFP وFN لكل صورة⁩
print("Per-image metrics:", results.box.image_metrics)

# ⁨تفصيل التوقيت لكل مرحلة بالمللي ثانية لكل صورة⁩
print("Timing breakdown (ms/image):", results.speed)

لاحظ أن fitness() دالة ويجب استدعاؤها باستخدام الأقواس، بينما المقاييس مثل map وmap50 وmp خصائص يمكن الوصول إليها مباشرة.

السمة results.box.image_metrics هي قاموس لكل صورة، تُستخدم فيه مسارات الصور نسبةً إلى دليل الصور المشترك كمفاتيح، ويحتوي على precision وrecall وf1 وtp وfp وfn عند IoU يساوي 0.5 لكل صورة. وتُعرض أزمنة المعالجة المسبقة والاستدلال والخسارة والمعالجة اللاحقة كلٌّ على حدة في القاموس results.speed. وتتيح لك هذه البيانات مجتمعةً تحديد الصور التي يواجه النموذج صعوبة في التعامل معها وضبطه بدقة وفقًا لذلك.

ضبط النموذج بدقة#

يأخذ الضبط الدقيق نموذجاً مدرباً مسبقاً ويعدّل معاملاته لتحسين أدائه في مهمة أو مجموعة بيانات محددة. وتتيح هذه العملية، المعروفة أيضاً بإعادة تدريب النموذج، للنموذج فهم البيانات التي سيواجهها في تطبيقات العالم الحقيقي والتنبؤ بنتائجها على نحو أفضل. واستناداً إلى نتائج التقييم، تعيد تدريب النموذج على بياناتك، مع ضبط وسيطات التدريب الموضحة في دليل الضبط الدقيق.

تقسيم الصور إلى رقع لاكتشاف الأجسام الصغيرة#

يمكن أن يؤدي تقسيم الصور إلى رقع إلى تحسين دقة اكتشاف الأجسام الصغيرة. فمن خلال تقسيم الصور الأكبر إلى مقاطع أصغر، مثل تقسيم الصور ذات الأبعاد 1280x1280 إلى عدة مقاطع ذات الأبعاد 640x640، تحافظ على الدقة الأصلية وتتيح للنموذج التعلّم من أجزاء عالية الدقة. استخدم tile=True لإجراء تقسيم الصور عالية الدقة إلى رقع أثناء التدريب والتحقق من الصحة واستخراج التنبؤات. يقصّ التدريب التعليقات التوضيحية مع كل رقعة، بينما تدمج مرحلتا التحقق من الصحة واستخراج التنبؤات مخرجات الرقع في نتائج للصورة كاملةً.

الخلاصة#

يحوّل التقييم والضبط الدقيق النموذج المدرّب إلى نموذج موثوق وقابل للنشر: فالمقاييس مثل mAP وIoU تكشف مواطن الضعف، وتعالجها التغييرات الموجّهة للمعلمات. ابدأ باستخدام وضع التحقق لقياس أداء النموذج، ثم أعد تدريبه باستخدام الوسائط المشمولة في دليل الضبط الدقيق، وواصل التكرار باستخدام معلمات وتقنيات ومجموعات بيانات جديدة. وإذا راودتك أسئلة خلال ذلك، فاطرحها على المجتمع في مستودع Ultralytics على GitHub أو خادم Ultralytics على Discord.

الأسئلة الشائعة#

  • لتقييم أداء نموذج YOLO26، تشمل المقاييس المهمة درجة الثقة وتقاطع الاتحاد (IoU) ومتوسط الدقة المتوسطة (mAP). تقيس درجة الثقة مدى يقين النموذج بشأن فئة كل كائن مكتشف. ويقيّم IoU مدى تداخل صندوق الإحاطة المتوقَّع مع الحقيقة الأرضية. يجمع متوسط الدقة المتوسطة (mAP) درجات الدقة عبر الفئات، ويُعد mAP50 وmAP50-95 نوعين شائعين منه عند عتبات IoU متفاوتة. تعرّف على المزيد عن هذه المقاييس في دليل مقاييس أداء YOLO26.

  • يتضمن الضبط الدقيق لنموذج YOLO26 مدرّب مسبقًا تعديل معلماته لتحسين أدائه في مهمة أو مجموعة بيانات محددة. ابدأ بتقييم النموذج باستخدام المقاييس، ثم أعد تدريبه على مجموعة بياناتك باستخدام الأوزان المدربة مسبقًا. أثناء التقييم، تساعد المعلمات مثل rect=True على التعامل بفعالية مع أحجام الصور المتنوعة.

  • للتعامل مع أحجام الصور المتغيرة أثناء التقييم، استخدم التحقق المستطيل (rect=True، وهو الإعداد الافتراضي لـ model.val())، إذ يجمع الصور حسب نسبة العرض إلى الارتفاع ويضيف الحشو إلى كل دفعة بدلًا من فرض شكل مربع على كل صورة. وتحدد المعلمة imgsz حجم الصورة للتحقق؛ وإذا لم تغيّر هذه المعلمة، فسيستخدم YOLO26 القيمة المحفوظة في النموذج (640 للنماذج الرسمية المدرّبة مسبقًا). اضبط imgsz بما يناسب مجموعة بياناتك وذاكرة GPU. لمزيد من التفاصيل، تفضل بزيارة القسم الخاص بالتعامل مع أحجام الصور المتغيرة.

  • يتطلب تحسين متوسط الدقة المتوسطة (mAP) لنموذج YOLO26 اتباع عدة خطوات:

    1. ضبط المعلمات الفائقة: جرّب معدلات تعلم وأحجام دفعات وعمليات تعزيز صور مختلفة.
    2. تحسين البيانات: استخدم تقنيات مثل Mosaic وMixUp لإنشاء عينات تدريب متنوعة.
    3. تقسيم الصور إلى رقع: قسّم الصور الأكبر إلى رقع أصغر لتحسين دقة اكتشاف الأجسام الصغيرة.

    للاطلاع على وسائط التدريب المرتبطة بالخطوتين 1 و2، راجع دليل الضبط الدقيق؛ أما الخطوة 3 فتناولها صفحة تقسيم الصور إلى رقع.

  • يمكنك الوصول إلى مقاييس تقييم نموذج YOLO26 باستخدام Python بعد تشغيل التحقق:

    الاستخدام
    from ultralytics import YOLO
    
    # ⁨تحميل نموذج⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تشغيل التحقق⁩
    results = model.val(data="coco8.yaml")
    
    # ⁨الوصول إلى المقاييس الرئيسية⁩
    print("Mean average precision at IoU=0.50:", results.box.map50)
    print("Mean average precision at IoU=0.50:0.95:", results.box.map)
    print("Mean recall:", results.box.mr)
    print("Class indices evaluated:", results.box.ap_class_index)

    يساعدك تحليل هذه المقاييس على ضبط نموذج YOLO26 وتحسينه. ولمزيد من التعمق، اطلع على دليلنا حول مقاييس أداء YOLO.

التعليقات2

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

    1. Glenn JocherUltralytics

      @ILIAHHne63 to load a pretrained backbone while leaving the head unpretrained in YOLOv10, you can initialize the model with the pretrained weights and then manually reset the head layers. This allows you to retain the pretrained features of the backbone while training the head from scratch. For detailed steps, refer to the model fine-tuning section in our documentation. If you encounter any issues, ensure you're using the latest version of the package.