Link to this sectionالتحقق من النموذج باستخدام Ultralytics YOLO#

Link to this sectionمقدمة#

يعد التحقق من النموذج خطوة حاسمة في خط أنابيب التعلم الآلي، مما يسمح لك بتقييم جودة النماذج المدربة الخاصة بك. يوفر وضع Val في Ultralytics YOLO26 مجموعة قوية من الأدوات والمقاييس لتقييم أداء نماذج اكتشاف الكائنات الخاصة بك. يعمل هذا الدليل كمورد كامل لفهم كيفية استخدام وضع Val بفعالية لضمان دقة وموثوقية نماذجك.

Link to this sectionلماذا التحقق باستخدام Ultralytics YOLO؟#

إليك سبب أهمية استخدام وضع Val الخاص بـ YOLO26:

• الدقة: احصل على مقاييس دقيقة مثل mAP50 وmAP75 وmAP50-95 لتقييم نموذجك بشكل شامل.
• الراحة: استفد من الميزات المدمجة التي تتذكر إعدادات التدريب، مما يبسط عملية التحقق.
• المرونة: تحقق من نموذجك باستخدام نفس مجموعات البيانات أو مجموعات بيانات مختلفة وأحجام صور متنوعة.
• ضبط المعاملات الفائقة: استخدم مقاييس التحقق لضبط نموذجك للحصول على أداء أفضل.

Link to this sectionالميزات الرئيسية لوضع Val#

هذه هي الوظائف البارزة التي يوفرها وضع Val في YOLO26:

• الإعدادات المؤتمتة: تتذكر النماذج تكوينات التدريب الخاصة بها لسهولة التحقق.
• دعم مقاييس متعددة: قيم نموذجك بناءً على مجموعة من مقاييس الدقة.
• واجهة CLI وPython API: اختر من واجهة سطر الأوامر أو Python API بناءً على تفضيلك للتحقق.
• توافق البيانات: يعمل بسلاسة مع مجموعات البيانات المستخدمة أثناء مرحلة التدريب وكذلك مجموعات البيانات المخصصة.

Link to this sectionأمثلة الاستخدام#

تحقق من دقة نموذج YOLO26n مدرب على مجموعة بيانات COCO8. لا حاجة إلى وسائط لأن model يحتفظ بـ data التدريب والوسائط كسمات للنموذج. راجع قسم الوسائط أدناه للحصول على قائمة كاملة بوسائط التحقق.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Link to this sectionوسائط للتحقق من نموذج YOLO#

عند التحقق من نماذج YOLO، يمكن ضبط العديد من الوسائط لتحسين عملية التقييم. تتحكم هذه الوسائط في جوانب مثل حجم صورة الإدخال، ومعالجة الدفعات، وعتبات الأداء. فيما يلي تفصيل مفصل لكل وسيط لمساعدتك في تخصيص إعدادات التحقق بفعالية.

يلعب كل من هذه الإعدادات دورًا حيويًا في عملية التحقق، مما يسمح بتقييم قابل للتخصيص وفعال لنماذج YOLO. يمكن أن يساعد ضبط هذه المعلمات وفقًا لاحتياجاتك ومواردك الخاصة في تحقيق أفضل توازن بين الدقة والأداء.

Link to this sectionمثال للتحقق مع الوسائط#

تُظهر الأمثلة أدناه التحقق من نموذج YOLO مع وسائط مخصصة في Python وCLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate and access per-image metrics
results = model.val(data="coco8.yaml")

# image_metrics is a dictionary with image filenames as keys
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Access metrics for a specific image
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

لمزيد من التفاصيل، راجع توثيق فئة DataExportMixin.

Link to this sectionالأسئلة الشائعة#

Link to this sectionكيف يمكنني التحقق من نموذج YOLO26 الخاص بي باستخدام Ultralytics؟#

للتحقق من نموذج YOLO26 الخاص بك، يمكنك استخدام وضع Val الذي توفره Ultralytics. على سبيل المثال، باستخدام Python API، يمكنك تحميل نموذج وتشغيل التحقق عبر:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

بدلاً من ذلك، يمكنك استخدام واجهة سطر الأوامر (CLI):

yolo val model=yolo26n.pt

لمزيد من التخصيص، يمكنك ضبط وسائط متنوعة مثل imgsz وbatch وconf في وضعي Python وCLI. تحقق من قسم وسائط للتحقق من نموذج YOLO للحصول على القائمة الكاملة للمعلمات.

Link to this sectionما المقاييس التي يمكنني الحصول عليها من التحقق من نموذج YOLO26؟#

يوفر التحقق من نموذج YOLO26 العديد من المقاييس الرئيسية لتقييم أداء النموذج. وتشمل هذه:

• mAP50 (متوسط الدقة عند عتبة IoU قدرها 0.5)
• mAP75 (متوسط الدقة عند عتبة IoU قدرها 0.75)
• mAP50-95 (متوسط الدقة عبر عتبات IoU متعددة من 0.5 إلى 0.95)

باستخدام Python API، يمكنك الوصول إلى هذه المقاييس كما يلي:

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

للحصول على تقييم أداء كامل، من الضروري مراجعة كل هذه المقاييس. لمزيد من التفاصيل، راجع الميزات الرئيسية لوضع Val.

Link to this sectionما هي مزايا استخدام Ultralytics YOLO للتحقق؟#

يوفر استخدام Ultralytics YOLO للتحقق العديد من المزايا:

• الدقة: يوفر YOLO26 مقاييس أداء دقيقة بما في ذلك mAP50 وmAP75 وmAP50-95.
• الراحة: تتذكر النماذج إعدادات التدريب الخاصة بها، مما يجعل التحقق مباشرًا.
• المرونة: يمكنك التحقق مقابل نفس مجموعات البيانات أو مجموعات بيانات مختلفة وأحجام صور متنوعة.
• ضبط المعاملات الفائقة: تساعد مقاييس التحقق في ضبط النماذج للحصول على أداء أفضل.

تضمن هذه المزايا تقييم نماذجك بدقة ويمكن تحسينها للحصول على نتائج متفوقة. تعرف على المزيد حول هذه المزايا في قسم لماذا التحقق باستخدام Ultralytics YOLO.

Link to this sectionهل يمكنني التحقق من نموذج YOLO26 الخاص بي باستخدام مجموعة بيانات مخصصة؟#

نعم، يمكنك التحقق من نموذج YOLO26 الخاص بك باستخدام مجموعة بيانات مخصصة. حدد وسيط data مع مسار ملف تكوين مجموعة البيانات الخاص بك. يجب أن يتضمن هذا الملف مسار بيانات التحقق.

مثال في Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

مثال باستخدام CLI:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

لمزيد من الخيارات القابلة للتخصيص أثناء التحقق، راجع قسم مثال للتحقق مع الوسائط.

Link to this sectionكيف يمكنني حفظ نتائج التحقق في ملف JSON في YOLO26؟#

لحفظ نتائج التحقق في ملف JSON، يمكنك ضبط وسيط save_json على True عند تشغيل التحقق. يمكن القيام بذلك في كل من Python API وCLI.

مثال في Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

مثال باستخدام CLI:

yolo val model=yolo26n.pt save_json=True

تعد هذه الوظيفة مفيدة بشكل خاص لمزيد من التحليل أو التكامل مع أدوات أخرى. تحقق من وسائط للتحقق من نموذج YOLO لمزيد من التفاصيل.