التحقق من النموذج باستخدام Ultralytics YOLO

مقدمة

يعد التحقق خطوة حاسمة في تعلم الآلة مسار العمل، 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. هذا الدليل بمثابة مورد كامل لفهم كيفية استخدام وضع Val بفعالية لضمان أن نماذجك دقيقة وموثوقة.

لماذا التحقق باستخدام Ultralytics YOLO؟

إليك سبب كون استخدام وضع Val في YOLO26 ميزة إضافية:

• الدقة: احصل على مقاييس دقيقة مثل mAP50 و mAP75 و mAP50-95 لتقييم نموذجك بشكل شامل.
• السهولة: استخدم 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 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 للتحقق المباشر.
• دعم المقاييس المتعددة: قيم نموذجك بناءً على مجموعة من مقاييس الدقة.
• CLI و Python API: اختر بين واجهة سطر الأوامر أو Python API بناءً على تفضيلك للتحقق.
• توافق البيانات: يعمل بسلاسة مع مجموعات البيانات المستخدمة أثناء مرحلة التدريب بالإضافة إلى مجموعات البيانات المخصصة.

أمثلة على الاستخدام

تحقق من نموذج YOLO26n مدرب الدقة على مجموعة بيانات COCO8. لا توجد وسائط مطلوبة حيث يحتفظ model 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

وسائط التحقق 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 الدُفعات، وعتبات الأداء. فيما يلي تفصيل دقيق 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 على التحقق باستخدام المعاملات

تعرض الأمثلة أدناه عملية التحقق من نموذج YOLO باستخدام معاملات مخصصة في Python و CLI.

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 DataExportMixin توثيق الفئة.

الأسئلة الشائعة

كيف 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 معاملات مختلفة مثل imgsz, batch، و conf في كل من وضعي Python و CLI. تحقق من قسم وسائط التحقق من نموذج YOLO للحصول على القائمة الكاملة للمعلمات.

ما هي 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 المتوسطة عند عتبة IoU تبلغ 0.5)
• mAP75 (متوسط الدقة المتوسطة عند عتبة IoU تبلغ 0.75)
• mAP50-95 (متوسط الدقة المتوسطة 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 كامل للأداء، من الضروري مراجعة كل هذه المقاييس. لمزيد من التفاصيل، راجع الميزات الرئيسية لوضع Val.

ما هي مزايا استخدام Ultralytics YOLO للتحقق؟

يوفر استخدام Ultralytics YOLO للتحقق العديد من المزايا:

• الدقة: يوفر YOLO26 مقاييس أداء دقيقة بما في ذلك mAP50 و mAP75 و mAP50-95.
• السهولة: تتذكر النماذج إعدادات التدريب الخاصة بها، مما يجعل عملية التحقق مباشرة.
• المرونة: يمكنك التحقق مقابل نفس مجموعات البيانات أو مجموعات بيانات مختلفة وأحجام صور مختلفة.
• ضبط المعاملات الفائقة (Hyperparameter Tuning): تساعد مقاييس التحقق في ضبط النماذج بدقة للحصول على أداء أفضل.

تضمن هذه الفوائد تقييم نماذجك بشكل شامل ويمكن تحسينها لتحقيق نتائج متفوقة. تعرف على المزيد حول هذه المزايا في قسم لماذا التحقق باستخدام Ultralytics YOLO .

هل يمكنني التحقق من نموذج YOLO26 الخاص بي باستخدام مجموعة بيانات مخصصة؟

نعم، يمكنك التحقق من نموذج YOLO26 الخاص بك باستخدام مجموعة بيانات مخصصة. حدد المعامل data مع مسار ملف تكوين مجموعة البيانات الخاص بك. يجب أن يتضمن هذا الملف المسار إلى 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، انظر مثال على التحقق باستخدام المعاملات .

كيف يمكنني حفظ نتائج التحقق في ملف JSON في YOLO26؟

لحفظ نتائج التحقق في ملف JSON، يمكنك ضبط المعامل save_json إلى True عند تشغيل التحقق. 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. تحقق من وسائط التحقق من نموذج YOLO لمزيد من التفاصيل.