التحقق من النموذج باستخدام Ultralytics YOLO#

مقدمة#

التحقق هو خطوة أساسية في خط أنابيب التعلم الآلي، مما يتيح لك تقييم جودة النماذج التي دربتهال. يوفر وضع Val في Ultralytics YOLO26 مجموعة قوية من الأدوات والمقاييس لتقييم أداء نماذج اكتشاف الكائنات الخاصة بك. يعمل هذا الدليل كمورد شامل لفهم كيفية استخدام وضع Val بفعالية لضمان أن نماذجك دقيقة وموثوقة.

لماذا 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 المعلمات الفائقة: استخدم مقاييس التحقق لضبط نموذجك بدقة للحصول على أداء أفضل.

الميزات 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.

أمثلة الاستخدام#

التحقق من دقة نموذج YOLO26n مدرب على مجموعة البيانات COCO8. لا توجد حاجة لأي وسائط حيث يحتفظ model بـ data الخاص بالتدريب والوسائط كخصائص 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

وسائط 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.

مثال 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.

ما هي الخطوة التالية#

هل أنت راضٍ عن المقاييس؟ قم بتصدير النموذج إلى تنسيق نشر. إذا كانت الدقة غير صحيحة، فارجع وأعد التدريب باستخدام معلمات فائقة مختلفة أو بيانات تدريب أكثر.

الأسئلة الشائعة#