كيفية اختبار نماذج الرؤية الحاسوبية#

مقدمة#

يتحقق اختبار النموذج من أداء النموذج المدرّب على بيانات واقعية لم يسبق له رؤيتها، مثل الأجسام المتحركة أو ضعيفة الإضاءة أو المحجوبة جزئيًا، بدلًا من مجموعة معيارية منتقاة. وبينما يقيس تقييم النموذج المقاييس على مجموعة بيانات موسومة، يتحقق الاختبار من توافق السلوك الذي تعلّمه النموذج مع أهداف تطبيقك قبل النشر. يغطي هذا الدليل إعداد بيانات الاختبار، واختبار نماذج Ultralytics YOLO26، واكتشاف فرط التكيّف ونقص التكيّف وتسرب البيانات.

اختبار النموذج مقابل تقييمه#

اختبار النموذج وتقييمه مرحلتان مختلفتان من مشروع الرؤية الحاسوبية. يقيس التقييم الأداء باستخدام المقاييس على مجموعة بيانات موسومة؛ أما الاختبار فيتحقق من مدى صمود السلوك الذي تعلّمه النموذج في ظروف تشبه ظروف النشر.

لنفترض أنك درّبت نموذج رؤية حاسوبية للتعرف على القطط والكلاب، وتريد نشره في متجر للحيوانات الأليفة لمراقبة الحيوانات. خلال مرحلة تقييم النموذج، تستخدم مجموعة بيانات موسومة لحساب مقاييس مثل الصحة والدقة 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 كفاءته في التعرف على القطط والكلاب في ظروف أكثر تنوعًا وواقعية. وتتحقق مما إذا كان يستطيع تصنيف القطط والكلاب تصنيفًا صحيحًا أثناء حركتها، وفي ظروف إضاءة مختلفة، أو عند حجبها جزئيًا بأجسام مثل الألعاب أو الأثاث. يتحقق اختبار النموذج من أن سلوكه يطابق المتوقع خارج بيئة التقييم المنضبطة.

الاستعداد لاختبار النموذج#

عادةً ما تُقسّم مجموعات بيانات الرؤية الحاسوبية إلى مجموعتي تدريب واختبار لمحاكاة ظروف العالم الحقيقي: إذ تعلّم بيانات التدريب النموذج، بينما تتحقق بيانات الاختبار من سلوكه على أمثلة لم يرها من قبل. وتجمع منصة Ultralytics تنظيم مجموعات البيانات والتعليق عليها في مكان واحد، مما يساعد على إنشاء مجموعة اختبار موسومة.

كيفية اختبار نموذج YOLO26#

يتضمن اختبار نموذج YOLO26 مدرّب مساري عمل متكاملين: التحقق من جزء الاختبار الموسوم للحصول على مقاييس كمية، وإجراء التنبؤ على صور جديدة لفحص سلوكه نوعيًا.

التحقق باستخدام جزء اختبار موسوم#

يقارن وضع التحقق تنبؤات النموذج بالتسميات المرجعية، ويعرض الصحة والاستدعاء وmAP50 وmAP50-95 لنماذج اكتشاف الأجسام. كما يحفظ وسائل إيضاح مرئية مثل مصفوفة الالتباس ومنحنى الدقة والاستدعاء، مما يساعدك على تحديد المجالات التي قد لا يؤدي فيها النموذج جيدًا.

from ultralytics import YOLO

# ⁨حمّل نموذجًا مدرّبًا مسبقًا أو نقطة تحقق درّبتها بنفسك، مثل "path/to/best.pt"⁩
model = YOLO("yolo26n.pt")

# ⁨أجرِ التحقق؛ أضف split="test" إذا كان ملف YAML لمجموعة البيانات يعرّف جزءًا للاختبار⁩
metrics = model.val(data="coco8.yaml")
print(metrics.box.map)  # mAP50-95

افتراضيًا، يُجرى التحقق على جزء val من مجموعة البيانات. لقياس الأداء على مجموعة اختبار محجوبة، عرّف جزءًا test: في ملف YAML لمجموعة 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 هذا الوضع مقاييس للأداء، لكن حفظ المخرجات المشروحة يتيح لك مراجعة سلوك النموذج على الصور الواقعية، مثل معالجة مجلد كامل من صور الاختبار دفعة واحدة.

from ultralytics import YOLO

# ⁨حمّل نموذجًا مدرّبًا مسبقًا أو نقطة تحقق درّبتها بنفسك، مثل "path/to/best.pt"⁩
model = YOLO("yolo26n.pt")

# ⁨إجراء تنبؤات على مجلد من صور الاختبار وحفظ النتائج المشروحة⁩
results = model.predict(source="path/to/test_images", save=True)

وضع التحقق مقابل وضع التنبؤ#

كيفية تحليل نتائج الاختبار#

بعد الحصول على التنبؤات والمقاييس، ابحث بتعمق عن مواضع إخفاق النموذج وأسبابها:

• الصور المصنّفة تصنيفًا خاطئًا: حدد الصور التي أخطأ النموذج في تصنيفها وراجعها لفهم مواضع الخلل.
• تحليل الأخطاء: أجرِ تحليلًا شاملًا للأخطاء لفهم أنواعها (مثل الإيجابيات الكاذبة مقابل السلبيات الكاذبة) وأسبابها المحتملة.
• التحيز والإنصاف: تحقّق من وجود أي تحيز في تنبؤات النموذج. وتأكد من أن أداء النموذج متساوٍ على مختلف الفئات الفرعية للبيانات، لا سيما إذا تضمنت سمات حساسة مثل العِرق أو الجنس أو العمر.

فرط التكيّف ونقص التكيّف في تعلم الآلة#

عند اختبار نموذج تعلم الآلة، ولا سيما في الرؤية الحاسوبية، من المهم الانتباه إلى فرط التكيّف ونقص التكيّف. يمكن أن تؤثر هذه المشكلات بدرجة كبيرة في أداء النموذج على البيانات الجديدة.

يكمن الأساس في إيجاد توازن يضمن أداءً جيدًا للنموذج على مجموعتي التدريب والتحقق. وتساعد مراقبة المقاييس بانتظام وفحص التنبؤات بصريًا أثناء الاختبار على اكتشاف انجراف النموذج نحو أي من الطرفين.

تسرّب البيانات في الرؤية الحاسوبية وكيفية تجنبه#

يحدث تسرّب البيانات عندما تُستخدم معلومات من خارج مجموعة بيانات التدريب عن طريق الخطأ لتدريب النموذج. وقد يبدو النموذج بالغ الدقة أثناء التدريب، لكنه لن يحقق أداءً جيدًا على بيانات جديدة لم يسبق له رؤيتها عند حدوث تسرّب البيانات.

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

كيفية اكتشاف تسرّب البيانات وتجنّبه#

للعثور على تسرّب البيانات، تحقّق مما إذا كانت نتائج النموذج جيدة على نحوٍ مريب، وافحص ما إذا كانت إحدى السمات أهم بكثير من غيرها، وتأكد مرة أخرى من أن قرارات النموذج منطقية intuitively، وتحقق من تقسيم البيانات على نحو صحيح قبل إجراء أي معالجة.

لمنع ذلك، استخدم مجموعة بيانات متنوعة تضم صورًا أو مقاطع فيديو من كاميرات وبيئات مختلفة، وراجع بياناتك بعناية بحثًا عن التحيزات الخفية، مثل التقاط جميع العينات الإيجابية في وقت محدد من اليوم. يجعل تجنب تسرّب البيانات نماذج الرؤية الحاسوبية أكثر موثوقية في ظروف العالم الحقيقي.

ما الخطوة التالية بعد اختبار النموذج؟#

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

الخلاصة#

إن اختبار النموذج بدقة — بالتحقق من صحته باستخدام مجموعة اختبار محجوبة، وإجراء التنبؤات على صور من العالم الحقيقي، والتحقق من فرط التكيّف وتسرّب البيانات — هو ما يحوّل النموذج الذي جرى تقييمه جيدًا إلى نموذج يمكن الاعتماد عليه. عالج المشكلات التي يكشف عنها الاختبار قبل النشر، وستزداد احتمالية أن يعمل النموذج كما هو متوقع في بيئة الإنتاج. إذا كانت لديك أسئلة خلال هذه العملية، فاطرحها على المجتمع في مستودع Ultralytics على GitHub أو خادم Ultralytics على Discord.

الأسئلة الشائعة#