كيفية اختبار نماذج الرؤية الحاسوبية#

مقدمة#

يتحقق اختبار النموذج من أداء النموذج المدرب على بيانات حقيقية وغير مرئية من قبل - كالأجسام المتحركة أو ضعيفة الإضاءة أو المخفية جزئيًا، بدلاً من معيار مختار بعناية. وفي حين أن تقييم النموذج يقيس المقاييس على مجموعة بيانات مصنفة، فإن الاختبار يتحقق من أن السلوك المتعلم للنموذج يتطابق مع أهداف تطبيقك قبل النشر. يغطي هذا الدليل إعداد بيانات الاختبار، واختبار نماذج Ultralytics YOLO26، واكتشاف فرط التخصيص، وضعف التخصيص، وتسرّب البيانات.

اختبار النموذج مقابل تقييم النموذج#

يعد اختبار النموذج وتقييم النموذج خطوتين مختلفتين في مشروع رؤية حاسوبية. يقيس التقييم الأداء باستخدام المقاييس على مجموعة بيانات مصنفة؛ بينما يتحقق الاختبار مما إذا كان السلوك المتعلم للنموذج يصمد في ظروف تشبه النشر.

تخيل أنك قمت بتدريب نموذج رؤية حاسوبية التعرف على القطط والكلاب، وتريد نشر هذا النموذج في متجر حيوانات أليفة لمراقبة الحيوانات. خلال مرحلة تقييم النموذج، تستخدم مجموعة بيانات مصنفة لحساب مقاييس مثل الدقة، وإحكام التنبؤ، والاسترجاع. على سبيل المثال، قد تكون دقة النموذج 98% في التمييز بين القطط والكلاب في مجموعة بيانات معينة.

بعد التقييم، تقوم باختبار النموذج باستخدام صور من متجر الحيوانات الأليفة لمعرفة مدى نجاحه في تحديد القطط والكلاب في ظروف أكثر تنوعًا وواقعية. تتحقق مما إذا كان بإمكانه تصنيف القطط والكلاب بشكل صحيح عندما تكون في حالة حركة، أو في ظروف إضاءة مختلفة، أو محجوبة جزئيًا بواسطة أشياء مثل الألعاب أو الأثاث. يتحقق اختبار النموذج من أن النموذج يتصرف كما هو متوقع خارج بيئة التقييم الخاضعة للرقابة.

الاستعداد لاختبار النموذج#

عادة ما يتم تقسيم مجموعات بيانات الرؤية الحاسوبية إلى مجموعات تدريب واختبار لمحاكاة الظروف الواقعية: بيانات التدريب تعلّم النموذج، بينما تتحقق بيانات الاختبار من سلوكه على أمثلة لم يسبق له رؤيتها. تحافظ منصة Ultralytics على تنظيم بيانات التدريب والتعليقات في مكان واحد، مما يساعد عند بناء مجموعة اختبار مصنفة.

كيفية اختبار نموذج YOLO26#

يتضمن اختبار نموذج YOLO26 المُدرَّب مساري عمل متكاملين: التحقق من صحة النموذج على تقسيم اختبار مُصنَّف للحصول على مقاييس كمية، والتنبؤ على صور جديدة لفحص السلوك نوعيًا.

التحقق من الصحة على تقسيم اختبار مُصنَّف#

تقارن وضع التحقق من الصحة تنبؤات النموذج بتسميات الحقيقة الأرضية وتُبلغ عن الدقة، والاسترجاع، وmAP50، وmAP50-95 لنماذج الكشف. كما يحفظ مساعدات مرئية مثل مصفوفة الارتباك ومنحنى الدقة والاسترجاع، والتي تساعدك في تحديد المجالات المحددة التي قد لا يؤدي فيها النموذج بشكل جيد.

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

بشكل افتراضي، يعمل التحقق من الصحة على تقسيم val الخاص بمجموعة البيانات. لقياس الأداء على مجموعة اختبار محجوزة، حدد تقسيم test: في ملف YAML الخاص بمجموعة البيانات ومرر split="test".

التنبؤ على صور جديدة#

وضع التنبؤ يشغل النموذج على بيانات جديدة وغير مرئية دون الحاجة إلى تسميات. وهو لا ينتج مقاييس الأداء، ولكن حفظ المخرجات المعلقة يتيح لك مراجعة كيفية أداء النموذج على صور الواقع - على سبيل المثال، مجلد كامل من صور الاختبار دفعة 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 مقابل وضع التنبؤ#

كيفية تحليل نتائج الاختبار#

بمجرد الحصول على التنبؤات والمقاييس، تعمق في معرفة أين ولماذا يفشل النموذج:

• الصور المصنفة بشكل خاطئ: حدد وراجع الصور التي صنفها النموذج بشكل خاطئ لفهم أين يكمن الخطأ.
• تحليل الخطأ: قم بإجراء تحليل شامل للأخطاء لفهم أنواع الأخطاء (مثل الإيجابيات الكاذبة مقابل السلبيات الكاذبة) وأسبابها المحتملة.
• التحيز والعدالة: تحقق من وجود أي تحيزات في تنبؤات النموذج. تأكد من أن النموذج يعمل بشكل جيد بالتساوي عبر المجموعات الفرعية المختلفة للبيانات، خاصة إذا كانت تتضمن سمات حساسة مثل العرق أو الجنس أو العمر.

الفرط في التخصيص ونقص التخصيص في التعلم الآلي#

عند اختبار نموذج تعلم الآلة، خاصة في الرؤية الحاسوبية، من المهم الانتباه إلى فرط التخصيص وضعف التخصيص. يمكن أن تؤثر هذه المشكلات بشكل كبير على مدى نجاح نموذجك في العمل مع البيانات الجديدة.

المفتاح هو إيجاد توازن بحيث يعمل النموذج بشكل جيد على مجموعتي بيانات التدريب والتحقق. تساعد مراقبة المقاييس بانتظام وفحص التنبؤات بصريًا أثناء الاختبار في اكتشاف الانحراف نحو أي من الطرفين.

تسرب البيانات في الرؤية الحاسوبية وكيفية تجنبه#

يحدث تسرب البيانات عندما يتم استخدام معلومات من خارج مجموعة بيانات التدريب لتدريب النموذج عن طريق الخطأ. قد يبدو النموذج دقيقًا جدًا أثناء التدريب، لكنه لن يعمل بشكل جيد على بيانات جديدة غير مرئية عند حدوث تسرب للبيانات.

قد يكون من الصعب اكتشاف التسرب وغالبًا ما يأتي من تحيزات مخفية في بيانات التدريب:

كيفية اكتشاف وتجنب تسرب البيانات#

للعثور على تسرب البيانات، تحقق مما إذا كانت نتائج النموذج جيدة بشكل مدهش، وانظر ما إذا كانت ميزة واحدة أكثر أهمية من غيرها، وتأكد مرتين من أن قرارات النموذج منطقية بحدس، وتحقق من تقسيم البيانات بشكل صحيح قبل أي معالجة.

ولمنعه، استخدم مجموعة بيانات متنوعة تحتوي على صور أو مقاطع فيديو من كاميرات وبيئات مختلفة، وراجع بياناتك بعناية بحثًا عن تحيزات مخفية - مثل أن تكون جميع العينات الإيجابية قد تم التقاطها في وقت محدد من اليوم. يؤدي تجنب تسرب البيانات إلى جعل نماذج الرؤية الحاسوبية الخاصة بك أكثر موثوقية في مواقف العالم الحقيقي.

ماذا بعد اختبار النموذج؟#

بعد اختبار نموذجك، تعتمد الخطوات التالية على النتائج. إذا كان أداء نموذجك جيدا، يمكنك نشره في بيئة واقعية. إذا لم تكن النتائج مرضية، ستحتاج إلى إجراء تحسينات. قد يشمل ذلك تحليل الأخطاء، أو جمع المزيد من البيانات، أو تحسين جودة البيانات، أو ضبط المعلمات الفائقة، وإعادة تدريب النموذج.

الخلاصة#

إن اختبار النموذج الصارم -التحقق من الصحة على مجموعة اختبار محجوزة، والتنبؤ على صور واقعية، والتحقق من فرط التخصيص وتسرّب البيانات- هو ما يحول نموذجًا مقيّمًا بشكل جيد إلى نموذج موثوق. عالج المشكلات التي يظهرها الاختبار قبل النشر، وستكون فرصة أداء نموذجك كما هو متوقع في الإنتاج أعلى بكثير. إذا ظهرت أسئلة على طول الطريق، فاسأل المجتمع في مستودع GitHub لـ Ultralytics أو خادم Discord لـ Ultralytics.

الأسئلة الشائعة#