Link to this sectionالتحقق من صحة النموذج باستخدام Ultralytics YOLO#

Link to this sectionمقدمة#

يعد التحقق من الصحة خطوة حاسمة في خط أنابيب تعلم الآلة، مما يسمح لك بتقييم جودة نماذجك المدربة. يوفر وضع التحقق (Val mode) في Ultralytics YOLO26 مجموعة قوية من الأدوات والمقاييس لتقييم أداء نماذج اكتشاف الكائنات الخاصة بك. يعد هذا الدليل مورداً كاملاً لفهم كيفية استخدام وضع التحقق بفعالية لضمان دقة وموثوقية نماذجك.

Link to this sectionلماذا يتم التحقق من الصحة باستخدام Ultralytics YOLO؟#

إليك سبب كون استخدام وضع التحقق في YOLO26 مفيداً:

• 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 من الصحة.
• المرونة: تحقق من صحة نموذجك باستخدام مجموعات بيانات وأحجام صور مماثلة أو مختلفة.
• ضبط المعاملات الفائقة: استخدم مقاييس التحقق لضبط نموذجك لتحقيق أداء أفضل.

Link to this sectionالميزات الرئيسية لوضع التحقق (Val Mode)#

هذه هي الوظائف البارزة التي يوفرها وضع التحقق في YOLO26:

• الإعدادات المؤتمتة: تتذكر النماذج تكوينات تدريبها لإجراء تحقق مباشر من الصحة.
• دعم المقاييس المتعددة: قيّم نموذجك بناءً على مجموعة من مقاييس الدقة.
• واجهة سطر الأوامر (CLI) وواجهة برمجة تطبيقات Python: اختر بين واجهة سطر الأوامر أو واجهة برمجة تطبيقات Python بناءً على تفضيلك للتحقق من الصحة.
• 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 توجد حاجة إلى وسيطات حيث يحتفظ model بإعدادات data الخاصة بالتدريب والوسيطات كسمات للنموذج. راجع قسم الوسيطات أدناه للحصول على قائمة كاملة بوسيطات 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 sectionوسيطات التحقق من صحة نموذج YOLO#

عند التحقق من صحة نماذج YOLO، يمكن ضبط العديد من الوسيطات لتحسين عملية التقييم. تتحكم هذه الوسيطات في جوانب مثل حجم صورة الإدخال، ومعالجة الدفعات، وعتبات الأداء. فيما يلي تفصيل دقيق لكل وسيطة لمساعدتك في تخصيص إعدادات التحقق الخاصة بك بفعالية.

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

Link to this sectionمثال على التحقق من الصحة باستخدام الوسيطات#

تُظهر الأمثلة أدناه التحقق من صحة نموذج YOLO مع وسيطات 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 وثائق فئة DataExportMixin.

Link to this sectionالأسئلة الشائعة#

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

للتحقق من صحة نموذج YOLO26 الخاص بك، يمكنك استخدام وضع Val الذي توفره Ultralytics. على سبيل المثال، باستخدام Python API، يمكنك تحميل نموذج وتشغيل التحقق من الصحة 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 مختلفة مثل imgsz و batch و conf في كل من وضعي Python و CLI. راجع قسم وسائط التحقق من صحة نموذج YOLO للحصول على القائمة الكاملة للمعاملات.

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

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

• mAP50 (متوسط الدقة عند عتبة IoU تساوي 0.5)
• mAP75 (متوسط الدقة عند عتبة IoU تساوي 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

لإجراء تقييم أداء كامل، من الضروري مراجعة جميع هذه المقاييس. لمزيد من التفاصيل، راجع الميزات الرئيسية لوضع التحقق.

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

يوفر استخدام Ultralytics YOLO للتحقق من الصحة العديد من المزايا:

• الدقة: يوفر YOLO26 مقاييس أداء دقيقة بما في ذلك mAP50 و mAP75 و mAP50-95.
• الراحة: تتذكر النماذج إعدادات التدريب الخاصة بها، مما يجعل التحقق من الصحة أمراً مباشراً.
• المرونة: يمكنك التحقق من الصحة مقابل مجموعات بيانات وأحجام صور مماثلة أو مختلفة.
• ضبط المعاملات الفائقة: تساعد مقاييس التحقق من الصحة في ضبط النماذج بدقة لتحقيق أداء أفضل.

تضمن هذه المزايا تقييم نماذجك بدقة وإمكانية تحسينها للحصول على نتائج فائقة. تعرف على المزيد حول هذه المزايا في قسم لماذا التحقق من الصحة باستخدام Ultralytics YOLO.

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

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

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 من الصحة، راجع قسم مثال التحقق من الصحة مع الوسائط.

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

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

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. راجع وسائط التحقق من صحة نموذج YOLO لمزيد من التفاصيل.