كيفية اختبار نماذج الرؤية الحاسوبية#

مقدمة#

يتحقق اختبار النموذج من أداء النموذج المدرَّب على بيانات واقعية لم يسبق له رؤيتها — مثل الكائنات المتحركة أو ضعيفة الإضاءة أو المحجوبة جزئيًا، بدلًا من معيار مُنتقى بعناية. وبينما يقيس تقييم النموذج المقاييس على مجموعة بيانات موسومة، يتحقق الاختبار من توافق السلوك الذي تعلّمه النموذج مع أهداف تطبيقك قبل النشر. يوضح هذا الدليل كيفية إعداد بيانات الاختبار، واختبار نماذج Ultralytics YOLO26، واكتشاف فرط التكيّف، ونقص التكيّف، وتسرب البيانات.

اختبار النموذج مقابل تقييم النموذج#

اختبار النموذج وتقييمه هما خطوتان متميزتان في مشروع للرؤية الحاسوبية. يقيس التقييم الأداء باستخدام المقاييس على مجموعة بيانات موسومة؛ بينما يتحقق الاختبار من استمرار صلاحية السلوك الذي تعلّمه النموذج في ظروف تشبه ظروف النشر.

لنفترض أنك درّبت نموذج رؤية حاسوبية للتعرّف على القطط والكلاب، وتريد نشره في متجر للحيوانات الأليفة لمراقبة الحيوانات. خلال مرحلة تقييم النموذج، تستخدم مجموعة بيانات موسومة لحساب مقاييس مثل الدقة، والإحكام، والاستدعاء. فعلى سبيل المثال، قد تبلغ دقة النموذج 98% في التمييز بين القطط والكلاب ضمن مجموعة بيانات معينة.

بعد التقييم، تختبر النموذج باستخدام صور من متجر للحيوانات الأليفة لمعرفة مدى جودة تعرّفه على القطط والكلاب في ظروف أكثر تنوعًا وواقعية. وتتحقق من قدرته على وسم القطط والكلاب بشكل صحيح عندما تكون متحركة، أو في ظروف إضاءة مختلفة، أو محجوبة جزئيًا بأشياء مثل الألعاب أو الأثاث. يتحقق اختبار النموذج من تصرّفه كما هو متوقع خارج بيئة التقييم الخاضعة للرقابة.

الاستعداد لاختبار النموذج#

تُقسَّم مجموعات بيانات الرؤية الحاسوبية عادةً إلى مجموعتي تدريب واختبار لمحاكاة الظروف الواقعية: إذ تعلّم بيانات التدريب النموذج، بينما تتحقق بيانات الاختبار من سلوكه على أمثلة لم يسبق له رؤيتها. وتُبقي منصة Ultralytics تنظيم مجموعة البيانات وتعليقها التوضيحي في مكان واحد، مما يساعد عند إنشاء مجموعة اختبار موسومة.

كيفية اختبار نموذج YOLO26#

يتضمن اختبار نموذج YOLO26 مدرَّب سيرَي عمل متكاملين: التحقق من صحته على تقسيم اختبار موسوم للحصول على مقاييس كمية، وإجراء التنبؤ على صور جديدة لفحص سلوكه نوعيًا.

التحقق من الصحة على تقسيم اختبار موسوم#

يقارن وضع التحقق من الصحة تنبؤات النموذج بالتسميات المرجعية، ويُبلغ عن الإحكام والاستدعاء وmAP50 وmAP50-95 لنماذج الكشف. كما يحفظ وسائل إيضاح مرئية مثل مصفوفة الالتباس ومنحنى الإحكام والاستدعاء، مما يساعدك على تحديد مجالات معينة قد لا يحقق فيها النموذج أداءً جيدًا.

from ultralytics import YOLO

# Load a pretrained model or your own trained checkpoint, e.g. "path/to/best.pt"
model = YOLO("yolo26n.pt")

# Validate; add split="test" if your dataset YAML defines a test split
metrics = model.val(data="coco8.yaml")
print(metrics.box.map)  # mAP50-95

افتراضيًا، يُجرى التحقق من الصحة على تقسيم مجموعة البيانات val. ولقياس الأداء على مجموعة اختبار محجوزة، عرّف تقسيمًا test: في YAML الخاص بمجموعة البيانات ومرّر split="test".

إجراء التنبؤ على صور جديدة#

يشغّل وضع التنبؤ النموذج على بيانات جديدة لم يسبق له رؤيتها من دون الحاجة إلى تسميات. ولا ينتج مقاييس أداء، لكن حفظ المخرجات المشروحة يتيح لك مراجعة سلوك النموذج على الصور الواقعية — مثل مجلد كامل من صور الاختبار دفعةً واحدة.

from ultralytics import YOLO

# Load a pretrained model or your own trained checkpoint, e.g. "path/to/best.pt"
model = YOLO("yolo26n.pt")

# Run predictions on a folder of test images and save annotated results
results = model.predict(source="path/to/test_images", save=True)

وضع التحقق من الصحة مقابل وضع التنبؤ#

كيفية تحليل نتائج الاختبار#

بعد الحصول على التنبؤات والمقاييس، تعمّق في تحديد مواضع فشل النموذج وأسبابها:

• الصور المصنَّفة تصنيفًا خاطئًا: حدّد الصور التي صنّفها النموذج تصنيفًا خاطئًا وراجعها لفهم مواضع الخطأ.
• تحليل الأخطاء: أجرِ تحليلًا شاملًا للأخطاء لفهم أنواعها (مثل الإيجابيات الكاذبة مقابل السلبيات الكاذبة) وأسبابها المحتملة.
• التحيز والإنصاف: تحقّق من وجود أي تحيزات في تنبؤات النموذج. وتأكد من أداء النموذج بالمستوى نفسه عبر مجموعات فرعية مختلفة من البيانات، لا سيما إذا كانت تتضمن سمات حساسة مثل العِرق أو النوع الاجتماعي أو العمر.

فرط التكيّف ونقص التكيّف في تعلّم الآلة#

عند اختبار نموذج تعلّم الآلة، لا سيما في الرؤية الحاسوبية، من المهم الانتباه إلى فرط التكيّف ونقص التكيّف. ويمكن أن تؤثر هاتان المشكلتان تأثيرًا كبيرًا في مدى جودة عمل النموذج مع البيانات الجديدة.

يكمن الأمر الأساسي في إيجاد توازن كي يحقق النموذج أداءً جيدًا على مجموعتي بيانات التدريب والتحقق من الصحة. ويساعد رصد المقاييس بانتظام وفحص التنبؤات بصريًا أثناء الاختبار على اكتشاف انجراف النموذج نحو أي من الطرفين.

تسرب البيانات في الرؤية الحاسوبية وكيفية تجنبه#

يحدث تسرب البيانات عندما تُستخدم معلومات من خارج مجموعة بيانات التدريب عن طريق الخطأ لتدريب النموذج. وقد يبدو النموذج دقيقًا جدًا أثناء التدريب، لكنه لن يحقق أداءً جيدًا على البيانات الجديدة التي لم يسبق له رؤيتها عند حدوث تسرب البيانات.

قد يصعب اكتشاف التسرب، وغالبًا ما ينشأ عن تحيزات خفية في بيانات التدريب:

كيفية اكتشاف تسرب البيانات وتجنبه#

للعثور على تسرب البيانات، تحقّق مما إذا كانت نتائج النموذج جيدة على نحو مفاجئ، وافحص ما إذا كانت إحدى السمات أهم بكثير من غيرها، وأعد التحقق من أن قرارات النموذج منطقية حدسيًا، وتأكد من تقسيم البيانات بشكل صحيح قبل إجراء أي معالجة.

لمنعه، استخدم مجموعة بيانات متنوعة تضم صورًا أو مقاطع فيديو من كاميرات وبيئات مختلفة، وراجع بياناتك بعناية بحثًا عن التحيزات الخفية — مثل أن تكون جميع العينات الإيجابية ملتقطة في وقت محدد من اليوم. ويجعل تجنب تسرب البيانات نماذج الرؤية الحاسوبية أكثر موثوقية في المواقف الواقعية.

ما الذي يأتي بعد اختبار النموذج#

بعد اختبار النموذج، تعتمد الخطوات التالية على النتائج. فإذا كان أداء النموذج جيدًا، يمكنك نشره في بيئة واقعية. أما إذا لم تكن النتائج مُرضية، فستحتاج إلى إجراء تحسينات. وقد يشمل ذلك تحليل الأخطاء، وجمع مزيد من البيانات، وتحسين جودة البيانات، وضبط المعلمات الفائقة، وإعادة تدريب النموذج.

الخلاصة#

إن اختبار النموذج بصرامة — عبر التحقق من الصحة على تقسيم اختبار محجوز، وإجراء التنبؤ على صور واقعية، والتحقق من فرط التكيّف وتسرب البيانات — هو ما يحوّل النموذج المُقيَّم جيدًا إلى نموذج موثوق. عالج المشكلات التي يكشفها الاختبار قبل النشر، وسيزداد احتمال أداء النموذج كما هو مقصود في بيئة الإنتاج بدرجة كبيرة. وإذا ظهرت أسئلة أثناء ذلك، فاطرحها على المجتمع في مستودع Ultralytics على GitHub أو في خادم Ultralytics على Discord.

الأسئلة الشائعة#