التحقق من صحة النماذج باستخدام Ultralytics YOLO#

مقدمة#

يُعدّ التحقق من الصحة خطوةً حاسمةً في مسار التعلّم الآلي، إذ يتيح لك تقييم جودة النماذج التي درّبتها. يوفر وضع Val في Ultralytics YOLO26 مجموعةً قويةً من الأدوات والمقاييس لتقييم أداء نماذج كشف الأجسام. ويُعد هذا الدليل مرجعًا شاملًا لفهم كيفية استخدام وضع Val بفعالية لضمان دقة نماذجك وموثوقيتها.

راجع معاينة YOLO27 غير الإصدار الرسمي للحصول على نتائج التحقق الأولية.

لماذا نتحقق من الصحة باستخدام Ultralytics YOLO؟#

إليك أسباب أفضلية استخدام وضع Val في YOLO26:

• الدقة: احصل على مقاييس دقيقة مثل mAP50 وmAP75 وmAP50-95 لتقييم نموذجك تقييمًا شاملًا.
• السهولة: استفد من الميزات المضمنة التي تتذكر إعدادات التدريب، مما يبسّط عملية التحقق.
• المرونة: تحقّق من صحة نموذجك باستخدام مجموعات البيانات نفسها أو مجموعات مختلفة، وبأحجام صور متباينة.
• ضبط المعلمات الفائقة: استخدم مقاييس التحقق لضبط نموذجك بدقة وتحسين أدائه.

الميزات الرئيسية لوضع Val#

فيما يلي الوظائف البارزة التي يوفرها وضع Val في YOLO26:

• الإعدادات التلقائية: تتذكر النماذج إعدادات التدريب الخاصة بها، مما يسهّل التحقق.
• دعم مقاييس متعددة: قيّم نموذجك استنادًا إلى مجموعة من مقاييس الدقة.
• CLI وPython API: اختر بين واجهة سطر الأوامر أو Python API وفقًا لتفضيلاتك في التحقق.
• توافق البيانات: يعمل بسلاسة مع مجموعات البيانات المستخدمة أثناء التدريب، وكذلك مع مجموعات البيانات المخصصة.

أمثلة على الاستخدام#

تحقّق من دقة نموذج YOLO26n المدرَّب على مجموعة بيانات COCO8. لا حاجة إلى أي وسائط، إذ يحتفظ model بـ data ووسائط التدريب كسمات للنموذج. راجع قسم Arguments أدناه للاطلاع على القائمة الكاملة لوسائط 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 التحقق من صحة نموذج YOLO#

عند التحقق من صحة نماذج YOLO، يمكن ضبط عدة وسائط بدقة لتحسين عملية التقييم. تتحكم هذه الوسائط في جوانب مثل حجم صورة الإدخال، ومعالجة الدُفعات، وعتبات الأداء. فيما يلي تفصيل دقيق لكل وسيطة لمساعدتك على تخصيص إعدادات التحقق بفعالية.

يلعب كل إعداد من هذه الإعدادات دورًا حيويًا في عملية التحقق، إذ يتيح تقييم نماذج YOLO بطريقة قابلة للتخصيص وفعالة. ويمكن أن يساعد ضبط هذه المعلمات وفقًا لاحتياجاتك ومواردك المحددة على تحقيق أفضل توازن بين الدقة والأداء.

مثال على التحقق باستخدام الوسائط#

توضح الأمثلة أدناه التحقق من صحة نموذج YOLO باستخدام 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}

يعرض كائن المقاييس المُعَاد أيضاً أدوات مساعدة للتصدير من أجل التحليل اللاحق:

لمزيد من التفاصيل، راجع وثائق فئة DataExportMixin.

ما التالي#

هل أنت راضٍ عن المقاييس؟ صدّر النموذج إلى تنسيق للنشر. وإذا كانت الدقة غير مرضية، عُد وأعد التدريب باستخدام معلمات فائقة مختلفة أو مزيد من بيانات التدريب.

الأسئلة الشائعة#