شرح مفصل لمقاييس الأداء#
مقدمة#
تُعد مقاييس الأداء أدوات أساسية لتقييم دقة نماذج كشف الكائنات وكفاءتها. وهي توضح مدى فعالية النموذج في تحديد الكائنات وتعيين مواقعها داخل الصور. كما تساعد على فهم كيفية تعامل النموذج مع الإيجابيات الكاذبة والسلبيات الكاذبة. وتُعد هذه الرؤى ضرورية لتقييم أداء النموذج وتحسينه. سنستعرض في هذا الدليل مقاييس الأداء المختلفة المرتبطة بـ YOLO26، وأهميتها، وكيفية تفسيرها.
مقاييس كشف الكائنات#
لنبدأ بمناقشة بعض المقاييس المهمة لـ YOLO26، والتي تنطبق على نطاق واسع أيضًا على نماذج كشف الكائنات المختلفة.
-
التقاطع على الاتحاد (IoU): مقياس يحدد مقدار التداخل بين صندوق الإحاطة المتوقع وصندوق الإحاطة المرجعي. ويؤدي دورًا أساسيًا في تقييم دقة تحديد مواقع الكائنات.
-
متوسط الدقة (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 بحساب متوسط قيم AP عبر فئات كائنات متعددة. وهذا مفيد في سيناريوهات كشف الكائنات متعددة الفئات لتقديم تقييم شامل لأداء النموذج.
-
الدقة والاستدعاء: تقيس الدقة نسبة الإيجابيات الحقيقية من بين جميع التنبؤات الإيجابية، وتقيّم قدرة النموذج على تجنب الإيجابيات الكاذبة. أما الاستدعاء فيحسب نسبة الإيجابيات الحقيقية من بين جميع الإيجابيات الفعلية، ويقيس قدرة النموذج على كشف جميع حالات الفئة.
-
درجة F1: درجة F1 هي المتوسط التوافقي للدقة والاستدعاء، وتقدم تقييمًا متوازنًا لأداء النموذج مع مراعاة الإيجابيات الكاذبة والسلبيات الكاذبة.
كيفية حساب مقاييس نموذج YOLO26#
يمكننا الآن استكشاف وضع التحقق من YOLO26، الذي يُستخدم لحساب مقاييس التقييم المذكورة أعلاه.
استخدام وضع التحقق بسيط. بعد تدريب النموذج، يمكنك استدعاء الدالة model.val(). تعالج هذه الدالة مجموعة بيانات التحقق، ثم تُرجع مجموعة متنوعة من مقاييس الأداء. لكن ما معنى هذه المقاييس؟ وكيف ينبغي تفسيرها؟
تفسير المخرجات#
لنحلل مخرجات الدالة model.val() ونفهم كل جزء منها.
المقاييس حسب الفئة#
يتضمن أحد أقسام المخرجات تفصيلًا لمقاييس الأداء حسب الفئة. وتفيد هذه المعلومات التفصيلية عند محاولة فهم مدى جودة أداء النموذج لكل فئة على حدة، ولا سيما في مجموعات البيانات التي تضم نطاقًا متنوعًا من فئات الكائنات. وتُعرض المعلومات التالية لكل فئة في مجموعة البيانات:
-
الفئة: يشير هذا إلى اسم فئة الكائن، مثل "شخص" أو "سيارة" أو "كلب".
-
الصور: يبيّن هذا المقياس عدد الصور في مجموعة التحقق التي تحتوي على الكائن المنتمي إلى الفئة.
-
الحالات: يعرض هذا عدد مرات ظهور الفئة في جميع صور مجموعة التحقق.
-
الصندوق (P, R, mAP50, mAP50-95): يقدم هذا المقياس معلومات عن أداء النموذج في كشف الكائنات:
-
P (الدقة): دقة الكائنات المكتشفة، أي عدد عمليات الكشف الصحيحة.
-
R (الاستدعاء): قدرة النموذج على تحديد جميع حالات الكائنات في الصور.
-
mAP50: متوسط الدقة المتوسط المحسوب عند عتبة تقاطع على اتحاد (IoU) تبلغ 0.50. وهو مقياس لدقة النموذج يأخذ في الحسبان عمليات الكشف «السهلة» فقط.
-
mAP50-95: متوسط الدقة المتوسط المحسوب عند عتبات IoU متفاوتة، تتراوح من 0.50 إلى 0.95. ويقدم تصورًا شاملًا لأداء النموذج عبر مستويات مختلفة من صعوبة الكشف.
-
مقاييس السرعة#
قد تكون سرعة الاستدلال بأهمية الدقة نفسها، ولا سيما في سيناريوهات كشف الكائنات في الزمن الفعلي. يوضح هذا القسم الوقت المستغرق في المراحل المختلفة لعملية التحقق، بدءًا من المعالجة المسبقة وصولًا إلى المعالجة اللاحقة.
تقييم مقاييس COCO#
بالنسبة إلى المستخدمين الذين يتحققون من صحة النماذج باستخدام مجموعة بيانات COCO، تُحسب مقاييس إضافية باستخدام برنامج التقييم الخاص بـ COCO. وتوفر هذه المقاييس معلومات عن الدقة والاستدعاء عند عتبات IoU مختلفة، وللكائنات ذات الأحجام المختلفة.
المخرجات المرئية#
إلى جانب إنتاج المقاييس الرقمية، تُنتج الدالة model.val() أيضًا مخرجات مرئية توفر فهمًا أكثر سهولة لأداء النموذج. إليك تفصيلًا للمخرجات المرئية المتوقعة:
-
منحنى درجة F1 (
BoxF1_curve.png): يمثّل هذا المنحنى درجة F1 عبر عتبات مختلفة. ويمكن أن يوفّر تفسير هذا المنحنى رؤى حول التوازن بين الإيجابيات الكاذبة والسلبيات الكاذبة في النموذج عند عتبات متعددة. -
منحنى الدقة والاستدعاء (
BoxPR_curve.png): يُعد هذا المنحنى تصورًا أساسيًا لأي مسألة تصنيف، إذ يعرض المفاضلات بين الدقة والاستدعاء عند عتبات مختلفة. وتزداد أهميته عند التعامل مع الفئات غير المتوازنة. -
منحنى الدقة (
BoxP_curve.png): تمثيل بياني لقيم الدقة عند عتبات مختلفة. يساعد هذا المنحنى على فهم كيفية تغيّر الدقة مع تغيّر العتبة. -
منحنى الاستدعاء (
BoxR_curve.png): يوضّح هذا الرسم البياني، بالمثل، كيفية تغيّر قيم الاستدعاء عبر عتبات مختلفة. -
مصفوفة الالتباس (
confusion_matrix.png): توفّر مصفوفة الالتباس عرضًا مفصّلًا للنتائج، إذ تعرض أعداد الإيجابيات الحقيقية والسلبيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة لكل فئة. -
مصفوفة الالتباس المُطبَّعة (
confusion_matrix_normalized.png): هذا التصور نسخة مُطبَّعة من مصفوفة الالتباس. وهو يعرض البيانات كنسب بدلًا من الأعداد الخام. ويجعل هذا التنسيق مقارنة الأداء بين الفئات أسهل. -
تسميات دفعات التحقق (
val_batchX_labels.jpg): تعرض هذه الصور تسميات الحقيقة الأساسية لدفعات متميزة من مجموعة بيانات التحقق. وهي تقدم صورة واضحة عن ماهية الكائنات ومواقعها وفقًا لمجموعة البيانات. -
تنبؤات دفعات التحقق (
val_batchX_pred.jpg): وعلى خلاف صور التسميات، تعرض هذه الصور المرئية تنبؤات نموذج YOLO26 للدفعات المعنية. وبمقارنة هذه التنبؤات بصور التسميات، يمكنك بسهولة تقييم مدى جودة اكتشاف النموذج للكائنات وتصنيفها بصريًا.
في مهام الكشف والتجزئة وتقدير الوضعية، تسبق نوعَ المقياس أسماءُ منحنيات الرسم: يكتب الكشف منحنيات Box*، وتكتب التجزئة منحنيي Box* وMask*، بينما تكتب الوضعية منحنيي Box* وPose*.
تخزين النتائج#
للاطلاع عليها مستقبلًا، تُحفظ النتائج في دليل يُسمّى عادةً runs/detect/val.
اختيار المقاييس المناسبة#
غالبًا ما يعتمد اختيار المقاييس المناسبة للتقييم على التطبيق المحدد.
-
mAP: مناسب لتقييم أداء النموذج تقييمًا شاملًا.
-
IoU: أساسي عندما يكون تحديد موقع الكائن بدقة أمرًا بالغ الأهمية.
-
الدقة: مهمة عندما تكون أولوية العمل تقليل الاكتشافات الكاذبة.
-
الاستدعاء: ضروري عندما يكون اكتشاف كل مثيل للكائن مهمًا.
-
درجة F1: مفيدة عند الحاجة إلى تحقيق توازن بين الدقة والاستدعاء.
في التطبيقات الآنية، تُعد مقاييس السرعة مثل FPS (الإطارات في الثانية) وزمن الاستجابة أساسية 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 الكائنات بدقة. وقد تساعد أساليب مختلفة للمربعات المحيطة.
-
انخفاض الدقة: قد يكتشف النموذج عددًا كبيرًا جدًا من الكائنات غير الموجودة. وقد يقلل ضبط عتبات الثقة من ذلك.
-
انخفاض الاستدعاء: قد لا يكتشف النموذج بعض الكائنات الحقيقية. وقد يساعد تحسين استخراج السمات أو استخدام مزيد من البيانات.
-
اختلال درجة F1: يوجد تفاوت بين الدقة والاستدعاء.
-
AP الخاصة بالفئة: يمكن للدرجات المنخفضة هنا أن تكشف عن الفئات التي يواجه النموذج صعوبة في التعامل معها.
دراسات حالة#
يمكن للأمثلة الواقعية أن تساعد على توضيح كيفية عمل هذه المقاييس عمليًا.
الحالة 1#
-
الوضع: mAP ودرجة F1 دون المستوى الأمثل، ومع أن 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، لكنه قد يخفض الاستدعاء قليلًا أيضًا.
الحالة 2#
-
الوضع: mAP والاستدعاء مقبولان، لكن IoU منخفض.
-
التفسير والإجراء: يكتشف النموذج الكائنات جيدًا، لكنه قد لا يحدد مواقعها بدقة. وقد يساعد تحسين تنبؤات المربعات المحيطة.
الحالة 3#
-
الوضع: تحقق بعض الفئات AP أقل بكثير من غيرها، حتى مع كون mAP الإجمالي جيدًا.
-
التفسير والإجراء: قد تكون هذه الفئات أصعب على النموذج. وقد يكون استخدام مزيد من البيانات لهذه الفئات أو ضبط أوزان الفئات أثناء التدريب مفيدًا.
تواصل وتعاون#
يمكن للاستفادة من مجتمع يضم المهتمين والخبراء أن تعزز تجربتك مع YOLO26. إليك بعض السبل التي تيسّر التعلم واستكشاف الأخطاء وإصلاحها وبناء العلاقات.
التفاعل مع المجتمع الأوسع#
-
مشكلات GitHub: يحتوي مستودع Ultralytics على GitHub على تبويب المشكلات، حيث يمكنك طرح الأسئلة والإبلاغ عن الأخطاء واقتراح ميزات جديدة. ينشط المجتمع والقائمون على الصيانة هنا، وهو مكان رائع للحصول على المساعدة بشأن مشكلات محددة.
-
خادم Ultralytics على Discord: لدى Ultralytics خادم على Discord يتيح لك التفاعل مع المستخدمين الآخرين والمطوّرين.
الوثائق والموارد الرسمية#
- وثائق Ultralytics YOLO26: توفّر الوثائق الرسمية نظرة شاملة على YOLO26، إلى جانب أدلة التثبيت والاستخدام واستكشاف الأخطاء وإصلاحها.
لن ترشدك الاستفادة من هذه الموارد إلى تجاوز التحديات 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. وتُعد هذه المقاييس أساسية لفهم مدى جودة أداء النموذج، وهي ضرورية لكل من يسعى إلى ضبط نماذجه بدقة. كما توفّر الرؤى اللازمة لإجراء التحسينات والتأكد من أن النموذج يعمل بفعالية في ظروف العالم الحقيقي.
تذكّر أن مجتمع YOLO26 وUltralytics مورد قيّم لا غنى عنه. ويمكن أن يفتح التفاعل مع المطورين والخبراء الآخرين آفاقًا لرؤى وحلول لا تتوفر في الوثائق المعتادة. ومع التقدم في مجال اكتشاف الكائنات، واصل التعلم، وجرّب استراتيجيات جديدة، وشارك نتائجك. وبذلك، تسهم في إثراء المعرفة الجماعية للمجتمع وتضمن نموه.
الأسئلة الشائعة#
يُعد متوسط الدقة (mAP) أساسيًا لتقييم نماذج YOLO26، لأنه يقدم مقياسًا واحدًا يجمع الدقة والاستدعاء عبر فئات متعددة. يقيس mAP@0.50 الدقة عند عتبة IoU مقدارها 0.50، مع التركيز على قدرة النموذج على اكتشاف الكائنات على نحو صحيح. أما mAP@0.50:0.95 فيحسب متوسط الدقة عبر نطاق من عتبات IoU، موفّرًا تقييمًا شاملًا لأداء الكشف. وتشير درجات mAP المرتفعة إلى أن النموذج يوازن بفعالية بين الدقة والاستدعاء، وهو أمر أساسي لتطبيقات مثل القيادة الذاتية وأنظمة المراقبة، حيث يُعد كل من الاكتشاف الدقيق وتقليل الإنذارات الكاذبة أمرًا بالغ الأهمية.
يقيس التقاطع على الاتحاد (IoU) مقدار التداخل بين المربعات المحيطة المتنبأ بها ومربعات الحقيقة الأساسية. وتتراوح قيم IoU بين 0 و1، وتشير القيم الأعلى إلى دقة أفضل في تحديد المواقع. وتعني قيمة IoU مقدارها 1.0 تطابقًا تامًا. ويُستخدم عادةً حد IoU مقداره 0.50 لتعريف الإيجابيات الحقيقية في مقاييس مثل mAP. وتشير قيم IoU المنخفضة إلى أن النموذج يواجه صعوبة في تحديد مواقع الكائنات بدقة، ويمكن تحسين ذلك من خلال تنقيح انحدار المربعات المحيطة أو زيادة دقة التعليقات التوضيحية في مجموعة بيانات التدريب.
تكتسب درجة F1 أهمية في تقييم نماذج YOLO26 لأنها تمثل المتوسط التوافقي للدقة والاستدعاء، وتوازن بين الإيجابيات الكاذبة والسلبيات الكاذبة. وتكون ذات قيمة خاصة عند التعامل مع مجموعات بيانات غير متوازنة أو تطبيقات لا تكفي فيها الدقة أو الاستدعاء وحده. وتشير درجة F1 المرتفعة إلى أن النموذج يكتشف الكائنات بفعالية مع تقليل كل من حالات عدم الاكتشاف والإنذارات الكاذبة، ما يجعلها مناسبة للتطبيقات الحساسة مثل أنظمة الأمان والتصوير الطبي.
يوفّر Ultralytics YOLO26 مزايا متعددة لاكتشاف الكائنات في الوقت الفعلي:
- السرعة والكفاءة: محسّن للاستدلال عالي السرعة، ومناسب للتطبيقات التي تتطلب زمن استجابة منخفضًا.
- دقة عالية: تضمن الخوارزمية المتقدمة درجات مرتفعة في mAP وIoU، مع تحقيق توازن بين الدقة والاستدعاء.
- المرونة: يدعم مهامًا متنوعة، منها اكتشاف الكائنات وتجزئة المثيلات والتجزئة الدلالية والتصنيف.
- سهولة الاستخدام: واجهات سهلة الاستخدام، ووثائق شاملة، وتكامل سلس مع أدوات مثل Ultralytics Platform (دليل البدء السريع للمنصة).
وهذا يجعل YOLO26 مثاليًا لتطبيقات متنوعة، من المركبات ذاتية القيادة إلى حلول المدن الذكية.
تساعد مقاييس التحقق من YOLO26، مثل الدقة والاستدعاء وmAP وIoU، على تشخيص أداء النموذج وتحسينه من خلال تقديم رؤى حول جوانب مختلفة من الكشف:
- الدقة: تساعد على تحديد الإيجابيات الكاذبة وتقليلها.
- الاستدعاء: يضمن اكتشاف جميع الكائنات ذات الصلة.
- mAP: يقدم لمحة عامة عن الأداء، ويوجّه التحسينات العامة.
- IoU: يساعد على ضبط دقة تحديد مواقع الكائنات.
يمكن استهداف نقاط ضعف محددة من خلال تحليل هذه المقاييس، مثل ضبط عتبات الثقة لتحسين الدقة أو جمع بيانات أكثر تنوعًا لتعزيز الاستدعاء. للاطلاع على شروحات مفصلة لهذه المقاييس وكيفية تفسيرها، راجع مقاييس اكتشاف الكائنات، وفكّر في تطبيق ضبط المعلمات الفائقة لتحسين نموذجك.