Link to this sectionتحليل عميق لمقاييس الأداء#

Link to this sectionمقدمة#

تُعد مقاييس الأداء أدوات أساسية لتقييم الدقة وكفاءة نماذج اكتشاف الكائنات. فهي تسلط الضوء على مدى فعالية النموذج في تحديد وتعيين موقع الكائنات داخل الصور. بالإضافة إلى ذلك، فهي تساعد في فهم كيفية تعامل النموذج مع الإيجابيات الكاذبة والسلبيات الكاذبة. هذه الرؤى ضرورية لتقييم وتحسين أداء النموذج. في هذا الدليل، سنستكشف مقاييس الأداء المختلفة المرتبطة بـ YOLO26، وأهميتها، وكيفية تفسيرها.

Link to this sectionمقاييس اكتشاف الكائنات#

لنبدأ بمناقشة بعض المقاييس التي لا تقتصر أهميتها على YOLO26 فحسب، بل يمكن تطبيقها على نطاق واسع عبر نماذج اكتشاف الكائنات المختلفة.

• تقاطع الاتحاد (IoU): مقياس IoU هو مقياس يحدد التداخل بين صندوق التحديد المتوقع وصندوق التحديد الخاص بالحقيقة الأرضية. يلعب دورًا أساسيًا في تقييم دقة تحديد موقع الكائن.

• متوسط الدقة (AP): يحسب AP المساحة تحت منحنى الدقة والاستدعاء، مما يوفر قيمة واحدة تلخص أداء النموذج من حيث الدقة والاستدعاء.

• متوسط متوسط الدقة (mAP): يوسع mAP مفهوم AP عن طريق حساب قيم AP المتوسطة عبر فئات كائنات متعددة. هذا مفيد في سيناريوهات اكتشاف الكائنات متعددة الفئات لتقديم تقييم شامل لأداء النموذج.

• الدقة والاستدعاء: تقيس الدقة نسبة الإيجابيات الحقيقية من بين جميع التوقعات الإيجابية، مما يقيم قدرة النموذج على تجنب الإيجابيات الكاذبة. من ناحية أخرى، يحسب الاستدعاء نسبة الإيجابيات الحقيقية من بين جميع الإيجابيات الفعلية، مما يقيس قدرة النموذج على اكتشاف جميع حالات فئة معينة.

• درجة F1: درجة F1 هي المتوسط التوافقي للدقة والاستدعاء، مما يوفر تقييمًا متوازنًا لأداء النموذج مع الأخذ في الاعتبار كلاً من الإيجابيات الكاذبة والسلبيات الكاذبة.

Link to this sectionكيفية حساب المقاييس لنموذج YOLO26#

الآن، يمكننا استكشاف وضع التحقق من YOLO26 الذي يمكن استخدامه لحساب مقاييس التقييم التي تمت مناقشتها أعلاه.

استخدام وضع التحقق بسيط. بمجرد حصولك على نموذج مدرب، يمكنك استدعاء دالة model.val(). ستقوم هذه الدالة بعد ذلك بمعالجة مجموعة بيانات التحقق وإرجاع مجموعة متنوعة من مقاييس الأداء. ولكن ماذا تعني هذه المقاييس؟ وكيف يجب أن تفسرها؟

Link to this sectionتفسير المخرجات#

دعنا نحلل مخرجات دالة model.val() ونفهم كل جزء من المخرجات.

Link to this sectionمقاييس خاصة بالفئات#

أحد أقسام المخرجات هو التفصيل الخاص بالفئات لمقاييس الأداء. هذه المعلومات الدقيقة مفيدة عندما تحاول فهم مدى أداء النموذج لكل فئة محددة، خاصة في مجموعات البيانات ذات النطاق المتنوع من فئات الكائنات. لكل فئة في مجموعة البيانات، يتم توفير ما يلي:

• الفئة (Class): يشير هذا إلى اسم فئة الكائن، مثل "شخص" (person)، أو "سيارة" (car)، أو "كلب" (dog).

• الصور (Images): يخبرك هذا المقياس بعدد الصور في مجموعة بيانات التحقق التي تحتوي على فئة الكائن.

• الحالات (Instances): يوفر هذا عدد المرات التي تظهر فيها الفئة عبر جميع الصور في مجموعة بيانات التحقق.

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

  • P (الدقة): دقة الكائنات المكتشفة، مما يشير إلى عدد الاكتشافات التي كانت صحيحة.

  • R (الاستدعاء): قدرة النموذج على تحديد جميع حالات الكائنات في الصور.

  • mAP50: متوسط متوسط الدقة المحسوب عند عتبة تقاطع الاتحاد (IoU) قدرها 0.50. إنه مقياس لدقة النموذج مع الأخذ في الاعتبار فقط الاكتشافات "السهلة".

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

Link to this sectionمقاييس السرعة#

يمكن أن تكون سرعة الاستنتاج حاسمة مثل الدقة، خاصة في سيناريوهات اكتشاف الكائنات في الوقت الفعلي. يحلل هذا القسم الوقت المستغرق لمراحل مختلفة من عملية التحقق، من المعالجة المسبقة إلى المعالجة اللاحقة.

Link to this sectionتقييم مقاييس COCO#

بالنسبة للمستخدمين الذين يقومون بالتحقق من مجموعة بيانات COCO، يتم حساب مقاييس إضافية باستخدام برنامج تقييم COCO. تعطي هذه المقاييس رؤى حول الدقة والاستدعاء عند عتبات IoU مختلفة وللكائنات ذات الأحجام المختلفة.

Link to this sectionالمخرجات المرئية#

دالة model.val()، بصرف النظر عن إنتاج مقاييس رقمية، تنتج أيضًا مخرجات مرئية يمكن أن توفر فهمًا أكثر بديهية لأداء النموذج. إليك تفصيل للمخرجات المرئية التي يمكنك توقعها:

• منحنى درجة F1 (BoxF1_curve.png): يمثل هذا المنحنى درجة F1 عبر عتبات مختلفة. يمكن أن يوفر تفسير هذا المنحنى رؤى حول توازن النموذج بين النتائج الإيجابية الكاذبة والنتائج السلبية الكاذبة عبر عتبات مختلفة.

• منحنى الدقة-الاستدعاء (BoxPR_curve.png): يعد هذا المنحنى تصوراً لا يتجزأ لأي مشكلة تصنيف، حيث يعرض المفاضلات بين الدقة والاستدعاء عند عتبات متنوعة. يصبح هذا مهماً بشكل خاص عند التعامل مع فئات غير متوازنة.

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

• منحنى الاستدعاء (BoxR_curve.png): وبالمثل، يوضح هذا الرسم البياني كيفية تغير قيم الاستدعاء عبر عتبات مختلفة.

• مصفوفة الارتباك (confusion_matrix.png): توفر مصفوفة الارتباك رؤية مفصلة للنتائج، حيث تعرض أعداد الإيجابيات الحقيقية، والسلبيات الحقيقية، والإيجابيات الكاذبة، والسلبيات الكاذبة لكل فئة.

• مصفوفة الارتباك المطبّعة (confusion_matrix_normalized.png): هذا التصور هو نسخة مطبّعة من مصفوفة الارتباك. وهو يمثل البيانات بنسب مئوية بدلاً من الأعداد الخام. هذا التنسيق يجعل مقارنة الأداء عبر الفئات أبسط.

• تسميات دفعة التحقق (val_batchX_labels.jpg): تصور هذه الصور تسميات الحقيقة الأرضية لدفعات مميزة من مجموعة بيانات التحقق. إنها توفر صورة واضحة لما هي الكائنات ومواقعها الخاصة وفقًا لمجموعة البيانات.

• توقعات دفعة التحقق (val_batchX_pred.jpg): في مقابل صور التسميات، تعرض هذه الصور المرئية التوقعات التي أجراها نموذج YOLO26 للدفعات المعنية. من خلال مقارنة هذه بصور التسميات، يمكنك بسهولة تقييم مدى جودة اكتشاف النموذج وتصنيفه للكائنات بصريًا.

بالنسبة لمهام الكشف والتجزئة وتقدير الوضعية، يتم تسبق رسومات المنحنيات بنوع المقياس: يكتب الكشف منحنيات Box*، وتكتب التجزئة كلاً من منحنيات Box* وMask*، ويكتب تقدير الوضعية كلاً من منحنيات Box* وPose*.

Link to this sectionتخزين النتائج#

للرجوع إليها في المستقبل، يتم حفظ النتائج في دليل، يسمى عادةً runs/detect/val.

Link to this sectionاختيار المقاييس الصحيحة#

يعتمد اختيار المقاييس الصحيحة للتقييم غالبًا على التطبيق المحدد.

• mAP: مناسب لتقييم واسع لأداء النموذج.

• IoU: ضروري عندما يكون موقع الكائن الدقيق أمرًا بالغ الأهمية.

• الدقة: مهمة عندما تكون الأولوية لتقليل الاكتشافات غير الصحيحة.

• الاستدعاء: حيوي عندما يكون من المهم اكتشاف كل حالة للكائن.

• درجة F1: مفيدة عندما تكون هناك حاجة إلى توازن بين الدقة والاستدعاء.

بالنسبة للتطبيقات في الوقت الفعلي، تعد مقاييس السرعة مثل FPS (إطارات في الثانية) وزمن الوصول أمرًا بالغ الأهمية لضمان الحصول على نتائج في الوقت المناسب.

Link to this sectionتفسير النتائج#

من المهم فهم المقاييس. إليك ما قد تشير إليه بعض الدرجات المنخفضة التي لوحظت بشكل شائع:

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

• انخفاض IoU: قد يواجه النموذج صعوبة في تحديد موقع الكائنات بدقة. يمكن أن تساعد طرق صناديق التحديد المختلفة.

• انخفاض الدقة: قد يقوم النموذج باكتشاف عدد كبير جدًا من الكائنات غير الموجودة. قد يؤدي ضبط عتبات الثقة إلى تقليل هذا.

• انخفاض الاستدعاء: قد يفتقد النموذج كائنات حقيقية. قد يساعد تحسين استخراج الميزات أو استخدام المزيد من البيانات.

• درجة F1 غير متوازنة: هناك تفاوت بين الدقة والاستدعاء.

• AP الخاص بالفئة: يمكن أن تسلط الدرجات المنخفضة هنا الضوء على الفئات التي يعاني النموذج معها.

Link to this sectionدراسات الحالة#

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

Link to this sectionالحالة 1#

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

• التفسير والإجراء: قد يكون هناك الكثير من الاكتشافات غير الصحيحة. قد يؤدي تشديد عتبات الثقة إلى تقليل هذه الاكتشافات، على الرغم من أنه قد يقلل أيضًا من الاستدعاء بشكل طفيف.

Link to this sectionالحالة 2#

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

• التفسير والإجراء: يكتشف النموذج الكائنات بشكل جيد ولكنه قد لا يحدد مواقعها بدقة. قد يساعد تحسين توقعات صناديق التحديد.

Link to this sectionالحالة 3#

• الوضع: بعض الفئات لديها AP أقل بكثير من غيرها، حتى مع mAP إجمالي لائق.

• التفسير والإجراء: قد تكون هذه الفئات أكثر صعوبة بالنسبة للنموذج. قد يكون استخدام المزيد من البيانات لهذه الفئات أو تعديل أوزان الفئات أثناء التدريب مفيدًا.

Link to this sectionتواصل وتعاون#

يمكن للاستفادة من مجتمع المتحمسين والخبراء أن تعزز رحلتك مع YOLO26. فيما يلي بعض السبل التي يمكن أن تسهل التعلم واستكشاف الأخطاء وإصلاحها والتشبيك.

Link to this sectionتفاعل مع المجتمع الأوسع#

• GitHub Issues: يحتوي مستودع YOLO26 على GitHub على علامة تبويب القضايا (Issues tab) حيث يمكنك طرح الأسئلة، والإبلاغ عن الأخطاء، واقتراح ميزات جديدة. المجتمع والمطورون نشطون هنا، وهو مكان رائع للحصول على المساعدة بشأن مشكلات محددة.

• خادم Ultralytics Discord: تمتلك Ultralytics خادم Discord حيث يمكنك التفاعل مع المستخدمين الآخرين والمطورين.

Link to this sectionالتوثيق والموارد الرسمية:#

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

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

Link to this sectionالخلاصة#

في هذا الدليل، ألقينا نظرة فاحصة على مقاييس الأداء الأساسية لـ YOLO26. هذه المقاييس هي مفتاح فهم مدى جودة أداء النموذج وهي حيوية لأي شخص يهدف إلى ضبط نماذجه بدقة. إنها توفر الرؤى اللازمة للتحسينات وللتأكد من أن النموذج يعمل بفعالية في مواقف الحياة الواقعية.

تذكر أن مجتمع YOLO26 وUltralytics أصل لا يقدر بثمن. يمكن أن يفتح التفاعل مع زملائك المطورين والخبراء الأبواب أمام رؤى وحلول لا توجد في التوثيق القياسي. بينما تقوم برحلتك عبر اكتشاف الكائنات، حافظ على روح التعلم حية، وجرّب استراتيجيات جديدة، وشارك نتائجك. من خلال القيام بذلك، فإنك تساهم في الحكمة الجماعية للمجتمع وتضمن نموه.

Link to this sectionالأسئلة الشائعة#

Link to this sectionما هي أهمية متوسط متوسط الدقة (mAP) في تقييم أداء نموذج YOLO26؟#

يعد متوسط متوسط الدقة (mAP) أمرًا بالغ الأهمية لتقييم نماذج YOLO26 لأنه يوفر مقياسًا واحدًا يلخص الدقة والاستدعاء عبر فئات متعددة. يقيس mAP@0.50 الدقة عند عتبة IoU قدرها 0.50، مع التركيز على قدرة النموذج على اكتشاف الكائنات بشكل صحيح. يقوم mAP@0.50:0.95 بحساب متوسط الدقة عبر مجموعة من عتبات IoU، مما يوفر تقييمًا شاملاً لأداء الاكتشاف. تشير درجات mAP العالية إلى أن النموذج يوازن بفعالية بين الدقة والاستدعاء، وهو أمر ضروري لتطبيقات مثل القيادة الذاتية وأنظمة المراقبة حيث يكون كل من الاكتشاف الدقيق والحد الأدنى من الإنذارات الكاذبة أمرًا بالغ الأهمية.

Link to this sectionكيف يمكنني تفسير قيمة تقاطع الاتحاد (IoU) لاكتشاف كائنات YOLO26؟#

يقيس تقاطع الاتحاد (IoU) التداخل بين صناديق التحديد المتوقعة وصناديق التحديد الخاصة بالحقيقة الأرضية. تتراوح قيم IoU من 0 إلى 1، حيث تشير القيم الأعلى إلى دقة أفضل في تحديد الموقع. تعني قيمة IoU بمقدار 1.0 محاذاة مثالية. عادة، يتم استخدام عتبة IoU قدرها 0.50 لتحديد الإيجابيات الحقيقية في مقاييس مثل mAP. تشير قيم IoU المنخفضة إلى أن النموذج يواجه صعوبة في تحديد موقع الكائن بدقة، وهو ما يمكن تحسينه من خلال صقل انحدار صندوق التحديد أو زيادة دقة التسميات في مجموعة بيانات التدريب الخاصة بك.

Link to this sectionلماذا تعد درجة F1 مهمة لتقييم نماذج YOLO26 في اكتشاف الكائنات؟#

تعد درجة F1 مهمة لتقييم نماذج YOLO26 لأنها توفر متوسطًا توافقيًا للدقة والاستدعاء، مما يوازن بين الإيجابيات الكاذبة والسلبيات الكاذبة. إنها قيمة بشكل خاص عند التعامل مع مجموعات البيانات غير المتوازنة أو التطبيقات التي لا تكفي فيها الدقة أو الاستدعاء بمفردهما. تشير درجة F1 العالية إلى أن النموذج يكتشف الكائنات بفعالية مع تقليل كل من الاكتشافات الفائتة والإنذارات الكاذبة، مما يجعله مناسبًا للتطبيقات الحرجة مثل أنظمة الأمن والتصوير الطبي.

Link to this sectionما هي المزايا الرئيسية لاستخدام Ultralytics YOLO26 لاكتشاف الكائنات في الوقت الفعلي؟#

يوفر Ultralytics YOLO26 مزايا متعددة لاكتشاف الكائنات في الوقت الفعلي:

• السرعة والكفاءة: تم تحسينه للاستنتاج عالي السرعة، ومناسب للتطبيقات التي تتطلب زمن انتقال منخفض.
• دقة عالية: تضمن الخوارزمية المتقدمة درجات mAP وIoU عالية، مما يوازن بين الدقة والاستدعاء.
• المرونة: يدعم مهامًا مختلفة بما في ذلك اكتشاف الكائنات، وتجزئة المثيل، والتجزئة الدلالية، والتصنيف.
• سهولة الاستخدام: واجهات سهلة الاستخدام، وتوثيق شامل، وتكامل سلس مع أدوات مثل Ultralytics Platform (بدء سريع للمنصة).

هذا يجعل YOLO26 مثاليًا لتطبيقات متنوعة من المركبات ذاتية القيادة إلى حلول المدن الذكية.

Link to this sectionكيف يمكن لمقاييس التحقق من YOLO26 أن تساعد في تحسين أداء النموذج؟#

تساعد مقاييس التحقق من YOLO26 مثل الدقة، والاستدعاء، وmAP، وIoU في تشخيص أداء النموذج وتحسينه من خلال توفير رؤى حول جوانب مختلفة من الاكتشاف:

• الدقة: تساعد في تحديد وتقليل الإيجابيات الكاذبة.
• الاستدعاء: تضمن اكتشاف جميع الكائنات ذات الصلة.
• mAP: تقدم لقطة أداء شاملة، مما يوجه التحسينات العامة.
• IoU: تساعد في ضبط دقة تحديد موقع الكائن.

من خلال تحليل هذه المقاييس، يمكن استهداف نقاط ضعف محددة، مثل ضبط عتبات الثقة لتحسين الدقة أو جمع المزيد من البيانات المتنوعة لتعزيز الاستدعاء. للحصول على شرح مفصل لهذه المقاييس وكيفية تفسيرها، راجع مقاييس اكتشاف الكائنات وفكر في تنفيذ ضبط المعلمات الفائقة لتحسين نموذجك.