تعمّق في مقاييس الأداء#

مقدمة#

تُعدّ مقاييس الأداء أدوات أساسية لتقييم دقة وكفاءة نماذج اكتشاف الأجسام. وهي توضح مدى فعالية النموذج في تحديد الأجسام وتحديد مواقعها داخل الصور. كما تساعد في فهم كيفية تعامل النموذج مع الإيجابيات الكاذبة والسلبيات الكاذبة. وتُعدّ هذه الرؤى بالغة الأهمية لتقييم أداء النموذج وتحسينه. في هذا الدليل، سنستكشف مقاييس الأداء المختلفة المرتبطة بـ YOLO26، وأهميتها، وكيفية تفسيرها.

مقاييس اكتشاف الأجسام#

لنبدأ بمناقشة بعض المقاييس المهمة ليس فقط لـ YOLO26، بل والقابلة للتطبيق على نطاق واسع عبر نماذج اكتشاف الأجسام المختلفة.

• التقاطع على الاتحاد (IoU): يقيس IoU مقدار التداخل بين الصندوق المحيط المتنبأ به والصندوق المحيط للحقيقة الأساسية. ويؤدي دورًا أساسيًا في تقييم دقة تحديد مواقع الأجسام.

• المتوسط التوافقي للدقة (AP): يحسب AP المساحة تحت منحنى الدقة والاستدعاء، موفرًا قيمة واحدة تلخص أداء النموذج من حيث الدقة والاستدعاء.

• متوسط الدقة المتوسط (mAP): يوسّع mAP مفهوم AP من خلال حساب متوسط قيم AP عبر فئات أجسام متعددة. ويفيد ذلك في سيناريوهات اكتشاف الأجسام متعددة الفئات لتوفير تقييم شامل لأداء النموذج.

• الدقة والاستدعاء: تقيس الدقة نسبة الإيجابيات الحقيقية من بين جميع التنبؤات الإيجابية، مما يقيّم قدرة النموذج على تجنب الإيجابيات الكاذبة. أما الاستدعاء فيحسب نسبة الإيجابيات الحقيقية من بين جميع الإيجابيات الفعلية، ويقيس قدرة النموذج على اكتشاف جميع مثيلات الفئة.

• درجة F1: درجة F1 هي المتوسط التوافقي للدقة والاستدعاء، وتوفر تقييمًا متوازنًا لأداء النموذج مع مراعاة كل من الإيجابيات الكاذبة والسلبيات الكاذبة.

كيفية حساب المقاييس لنموذج YOLO26#

يمكننا الآن استكشاف وضع التحقق من صحة YOLO26، الذي يمكن استخدامه لحساب مقاييس التقييم المذكورة أعلاه.

استخدام وضع التحقق من الصحة بسيط. بعد تدريب نموذج، يمكنك استدعاء الدالة model.val(). وستعالج هذه الدالة مجموعة بيانات التحقق من الصحة، ثم تعيد مجموعة متنوعة من مقاييس الأداء. لكن ماذا تعني هذه المقاييس؟ وكيف ينبغي تفسيرها؟

تفسير المخرجات#

لنحلل مخرجات الدالة model.val() ونفهم كل جزء من أجزائها.

المقاييس حسب الفئة#

يتضمن أحد أقسام المخرجات تفصيل مقاييس الأداء حسب الفئة. وتفيد هذه المعلومات الدقيقة عند محاولة فهم مدى جودة أداء النموذج لكل فئة محددة، ولا سيما في مجموعات البيانات التي تضم نطاقًا متنوعًا من فئات الأجسام. لكل فئة في مجموعة البيانات، تُوفَّر المعلومات التالية:

• الفئة: يشير هذا إلى اسم فئة الجسم، مثل "person" أو "car" أو "dog".

• الصور: يوضح هذا المقياس عدد الصور في مجموعة التحقق من الصحة التي تحتوي على فئة الجسم.

• المثيلات: يوفّر هذا عدد مرات ظهور الفئة عبر جميع الصور في مجموعة التحقق من الصحة.

• Box(P, R, mAP50, mAP50-95): يوفر هذا المقياس رؤى حول أداء النموذج في اكتشاف الأجسام:

  • P (الدقة): دقة الأجسام المكتشفة، موضحًا عدد الاكتشافات الصحيحة.

  • R (الاستدعاء): قدرة النموذج على تحديد جميع مثيلات الأجسام في الصور.

  • mAP50: متوسط الدقة المتوسط المحسوب عند عتبة تقاطع على اتحاد (IoU) تبلغ 0.50. وهو مقياس لدقة النموذج مع مراعاة الاكتشافات "السهلة" فقط.

  • mAP50-95: متوسط متوسط الدقة المحسوب عند عتبات IoU متباينة، تتراوح من 0.50 إلى 0.95. ويقدم رؤية شاملة لأداء النموذج عبر مستويات مختلفة من صعوبة الاكتشاف.

مقاييس السرعة#

قد تكون سرعة الاستدلال بالغة الأهمية مثل الدقة، ولا سيما في سيناريوهات اكتشاف الأجسام في الوقت الفعلي. يوضح هذا القسم الوقت المستغرق في المراحل المختلفة من عملية التحقق من الصحة، بدءًا من المعالجة المسبقة ووصولًا إلى المعالجة اللاحقة.

تقييم مقاييس COCO#

بالنسبة إلى المستخدمين الذين يجرون التحقق من الصحة على مجموعة بيانات COCO، تُحسب مقاييس إضافية باستخدام برنامج تقييم COCO النصي. وتقدم هذه المقاييس رؤى حول الدقة والاستدعاء عند عتبات IoU مختلفة وللأجسام ذات الأحجام المختلفة.

المخرجات المرئية#

بالإضافة إلى إنتاج المقاييس الرقمية، تنتج الدالة model.val() أيضًا مخرجات مرئية يمكن أن توفر فهمًا أكثر بداهة لأداء النموذج. فيما يلي تفصيل للمخرجات المرئية المتوقعة:

• منحنى درجة F1 (BoxF1_curve.png): يمثل هذا المنحنى درجة F1 عبر عتبات مختلفة. ويمكن أن يوفر تفسير هذا المنحنى رؤى حول توازن النموذج بين الإيجابيات الكاذبة والسلبيات الكاذبة عبر العتبات المختلفة.

• منحنى الدقة-الاستدعاء (BoxPR_curve.png): تصور مرئي أساسي لأي مشكلة تصنيف، يوضح هذا المنحنى المفاضلات بين الدقة والاستدعاء عند عتبات متنوعة. وتزداد أهميته خصوصًا عند التعامل مع الفئات غير المتوازنة.

• منحنى الدقة (BoxP_curve.png): تمثيل بياني لقيم الدقة عند عتبات مختلفة. ويساعد هذا المنحنى في فهم كيفية تغير الدقة مع تغير العتبة.

• منحنى الاستدعاء (BoxR_curve.png): يوضح هذا الرسم، بالمثل، كيفية تغير قيم الاستدعاء عبر العتبات المختلفة.

• مصفوفة الالتباس (confusion_matrix.png): توفر مصفوفة الالتباس عرضًا تفصيليًا للنتائج، موضحة أعداد الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة لكل فئة.

• مصفوفة الالتباس المطبَّعة (confusion_matrix_normalized.png): هذا التصور هو نسخة مطبَّعة من مصفوفة الالتباس. ويمثل البيانات في صورة نسب بدلًا من الأعداد الخام. ويسهّل هذا التنسيق مقارنة الأداء بين الفئات.

• تسميات دفعات التحقق من الصحة (val_batchX_labels.jpg): توضح هذه الصور تسميات الحقيقة الأساسية لدفعات محددة من مجموعة بيانات التحقق من الصحة. وتقدم صورة واضحة عن ماهية الأجسام ومواقعها وفقًا لمجموعة البيانات.

• تنبؤات دفعات التحقق من الصحة (val_batchX_pred.jpg): بخلاف صور التسميات، تعرض هذه المرئيات التنبؤات التي أجراها نموذج YOLO26 للدفعات المعنية. وبمقارنتها بصور التسميات، يمكنك بسهولة تقييم مدى جودة اكتشاف النموذج للأجسام وتصنيفها بصريًا.

بالنسبة إلى مهام الاكتشاف والتجزئة والوضعية، تُسبَق مخططات المنحنيات بنوع المقياس: يكتب الاكتشاف منحنيات Box*، وتكتب التجزئة منحنيي Box* وMask*، بينما تكتب الوضعية منحنيي Box* وPose*.

تخزين النتائج#

للرجوع إليها مستقبلًا، تُحفَظ النتائج في مجلد يُسمّى عادةً runs/detect/val.

اختيار المقاييس المناسبة#

غالبًا ما يعتمد اختيار المقاييس المناسبة للتقييم على التطبيق المحدد.

• mAP: مناسب لتقييم واسع لأداء النموذج.

• IoU: أساسي عندما يكون تحديد موقع الجسم بدقة أمرًا بالغ الأهمية.

• الدقة: مهمة عندما يكون تقليل الاكتشافات الكاذبة أولوية.

• الاستدعاء: حيوي عندما يكون من المهم اكتشاف كل مثيل لجسم ما.

• درجة F1: مفيدة عند الحاجة إلى تحقيق توازن بين الدقة والاستدعاء.

بالنسبة إلى التطبيقات في الوقت الفعلي، تُعدّ مقاييس السرعة مثل FPS (الإطارات في الثانية) وزمن الاستجابة بالغة الأهمية لضمان الحصول على النتائج في الوقت المناسب.

تفسير النتائج#

من المهم فهم المقاييس. إليك ما قد تشير إليه بعض الدرجات المنخفضة الشائعة:

• انخفاض mAP: يشير إلى أن النموذج قد يحتاج إلى تحسينات عامة.

• انخفاض IoU: قد يواجه النموذج صعوبة في تحديد مواقع الأجسام بدقة. وقد تساعد أساليب مختلفة للصناديق المحيطة.

• انخفاض الدقة: قد يكتشف النموذج عددًا كبيرًا جدًا من الأجسام غير الموجودة. وقد يؤدي ضبط عتبات الثقة إلى تقليل ذلك.

• انخفاض الاستدعاء: قد يفوّت النموذج أجسامًا حقيقية. وقد يساعد تحسين استخراج السمات أو استخدام مزيد من البيانات.

• عدم توازن درجة F1: يوجد تفاوت بين الدقة والاستدعاء.

• AP الخاص بالفئة: يمكن أن تسلط الدرجات المنخفضة هنا الضوء على الفئات التي يواجه النموذج صعوبة في التعامل معها.

دراسات الحالة#

يمكن أن تساعد الأمثلة الواقعية في توضيح كيفية عمل هذه المقاييس عمليًا.

الحالة 1#

• الوضع: إن mAP ودرجة F1 دون المستوى الأمثل، وبينما الاستدعاء جيد، فإن الدقة ليست كذلك.

• التفسير والإجراء: قد يكون هناك عدد كبير جدًا من الاكتشافات غير الصحيحة. وقد يؤدي تشديد عتبات الثقة إلى تقليلها، إلا أنه قد يخفض الاستدعاء قليلًا أيضًا.

الحالة 2#

• الوضع: إن mAP والاستدعاء مقبولان، لكن IoU يفتقر إلى الجودة.

• التفسير والإجراء: يكتشف النموذج الأجسام جيدًا، لكنه قد لا يحدد مواقعها بدقة. وقد يساعد تحسين تنبؤات الصناديق المحيطة.

الحالة 3#

• الوضع: تتمتع بعض الفئات بقيمة AP أقل بكثير من غيرها، حتى مع mAP إجمالي جيد.

• التفسير والإجراء: قد تكون هذه الفئات أكثر صعوبة بالنسبة إلى النموذج. وقد يكون استخدام مزيد من البيانات لهذه الفئات أو ضبط أوزان الفئات أثناء التدريب مفيدًا.

التواصل والتعاون#

يمكن أن يؤدي الاستفادة من مجتمع يضم المتحمسين والخبراء إلى تعزيز رحلتك مع YOLO26. وفيما يلي بعض السبل التي يمكن أن تيسّر التعلم واستكشاف الأخطاء وإصلاحها وبناء العلاقات.

التفاعل مع المجتمع الأوسع#

• مشكلات GitHub: يحتوي مستودع Ultralytics على GitHub على علامة تبويب المشكلات (Issues tab) حيث يمكنك طرح الأسئلة والإبلاغ عن الأخطاء واقترح ميزات جديدة. المجتمع والمحافظون نشطون هنا، وهي مكان رائع للحصول على المساعدة في حل مشكلات محددة.

• خادم Ultralytics على Discord: لدى Ultralytics خادم على Discord يمكنك من خلاله التفاعل مع المستخدمين الآخرين والمطوّرين.

الوثائق والموارد الرسمية#

• وثائق Ultralytics YOLO26: توفر الوثائق الرسمية نظرة شاملة على YOLO26، إلى جانب أدلة التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.

لن ترشدك هذه الموارد خلال أي تحديات فحسب، بل ستبقيك أيضًا على اطلاع بأحدث الاتجاهات وأفضل الممارسات في مجتمع YOLO26.

الخلاصة#

في هذا الدليل، ألقينا نظرة متعمقة على مقاييس الأداء الأساسية لـ YOLO26. وتُعدّ هذه المقاييس أساسية لفهم مدى جودة أداء النموذج، كما أنها حيوية لكل من يسعى إلى ضبط نماذجه بدقة. وهي توفر الرؤى اللازمة لإجراء التحسينات والتأكد من عمل النموذج بفعالية في المواقف الواقعية.

تذكّر أن مجتمع YOLO26 وUltralytics يمثلان موردًا لا يُقدّر بثمن. ويمكن أن يفتح التفاعل مع المطورين والخبراء الآخرين أبوابًا إلى رؤى وحلول لا توفرها الوثائق القياسية. وأثناء رحلتك في مجال اكتشاف الأجسام، حافظ على روح التعلم، وجرّب استراتيجيات جديدة، وشارك نتائجك. وبذلك، تسهم في الحكمة الجماعية للمجتمع وتضمن نموه.

الأسئلة الشائعة#