Link to this sectionDeep Dive in Leistungsmetriken#

Link to this sectionEinführung#

Leistungsmetriken sind wichtige Werkzeuge, um die Genauigkeit und Effizienz von Objekterkennungs-Modellen zu bewerten. Sie geben Aufschluss darüber, wie effektiv ein Modell Objekte in Bildern identifizieren und lokalisieren kann. Außerdem helfen sie dabei, den Umgang des Modells mit falsch-positiven und falsch-negativen Ergebnissen zu verstehen. Diese Erkenntnisse sind entscheidend für die Bewertung und Verbesserung der Modellleistung. In diesem Leitfaden untersuchen wir verschiedene Leistungsmetriken im Zusammenhang mit YOLO26, deren Bedeutung und wie du sie interpretieren kannst.

Link to this sectionMetriken zur Objekterkennung#

Lass uns mit einigen Metriken beginnen, die nicht nur für YOLO26 wichtig sind, sondern allgemein auf verschiedene Objekterkennungsmodelle angewendet werden können.

• Intersection over Union (IoU): IoU ist ein Maß, das die Überlappung zwischen einer vorhergesagten BBox und einer Ground-Truth-BBox quantifiziert. Es spielt eine grundlegende Rolle bei der Bewertung der Genauigkeit der Objektlokalisierung.

• Average Precision (AP): AP berechnet die Fläche unter der Precision-Recall-Kurve und liefert einen einzelnen Wert, der die Precision- und Recall-Leistung des Modells zusammenfasst.

• Mean Average Precision (mAP): mAP erweitert das Konzept der AP durch die Berechnung der durchschnittlichen AP-Werte über mehrere Objektklassen hinweg. Dies ist in Szenarien mit Objekterkennung für mehrere Klassen nützlich, um eine umfassende Bewertung der Modellleistung zu erhalten.

• Precision und Recall: Precision quantifiziert den Anteil der wahrhaft positiven Ergebnisse an allen positiven Vorhersagen und bewertet die Fähigkeit des Modells, falsch-positive Ergebnisse zu vermeiden. Recall hingegen berechnet den Anteil der wahrhaft positiven Ergebnisse an allen tatsächlich vorhandenen positiven Ergebnissen und misst die Fähigkeit des Modells, alle Instanzen einer Klasse zu erkennen.

• F1 Score: Der F1 Score ist das harmonische Mittel aus Precision und Recall und bietet eine ausgewogene Beurteilung der Modellleistung unter Berücksichtigung sowohl falsch-positiver als auch falsch-negativer Ergebnisse.

Link to this sectionSo berechnest du Metriken für das YOLO26-Modell#

Jetzt können wir den YOLO26-Validierungsmodus erkunden, der verwendet werden kann, um die oben besprochenen Bewertungsmetriken zu berechnen.

Die Verwendung des Validierungsmodus ist einfach. Sobald du ein trainiertes Modell hast, kannst du die Funktion model.val() aufrufen. Diese Funktion verarbeitet dann den Validierungsdatensatz und gibt eine Vielzahl von Leistungsmetriken zurück. Aber was bedeuten diese Metriken? Und wie solltest du sie interpretieren?

Link to this sectionInterpretation der Ausgabe#

Lass uns die Ausgabe der Funktion model.val() aufschlüsseln und jeden Abschnitt der Ausgabe verstehen.

Link to this sectionKlassenspezifische Metriken#

Einer der Abschnitte der Ausgabe ist die klassenspezifische Aufschlüsselung der Leistungsmetriken. Diese detaillierten Informationen sind nützlich, wenn du verstehen willst, wie gut das Modell für jede spezifische Klasse abschneidet, insbesondere bei Datensätzen mit einer Vielzahl von Objektkategorien. Für jede Klasse im Datensatz wird Folgendes bereitgestellt:

• Klasse: Dies bezeichnet den Namen der Objektklasse, wie "person", "car" oder "dog".

• Images: Diese Metrik gibt die Anzahl der Bilder im Validierungssatz an, die die Objektklasse enthalten.

• Instances: Dies gibt an, wie oft die Klasse über alle Bilder im Validierungssatz hinweg vorkommt.

• Box(P, R, mAP50, mAP50-95): Diese Metrik liefert Einblicke in die Leistung des Modells bei der Erkennung von Objekten:

  • P (Precision): Die Genauigkeit der erkannten Objekte, die angibt, wie viele Erkennungen korrekt waren.

  • R (Recall): Die Fähigkeit des Modells, alle Instanzen von Objekten in den Bildern zu identifizieren.

  • mAP50: Mean Average Precision, berechnet bei einem IoU-Schwellenwert von 0,50. Es ist ein Maß für die Genauigkeit des Modells, das nur die "einfachen" Erkennungen berücksichtigt.

  • mAP50-95: Der Durchschnitt der Mean Average Precision, berechnet bei verschiedenen IoU-Schwellenwerten, die von 0,50 bis 0,95 reichen. Es bietet einen umfassenden Überblick über die Leistung des Modells bei verschiedenen Schwierigkeitsgraden der Erkennung.

Link to this sectionGeschwindigkeitsmetriken#

Die Inferenzgeschwindigkeit kann genauso wichtig sein wie die Genauigkeit, insbesondere bei Objekterkennungsszenarien in Echtzeit. Dieser Abschnitt schlüsselt die Zeit auf, die für verschiedene Phasen des Validierungsprozesses benötigt wird, von der Vorverarbeitung bis zur Nachverarbeitung.

Link to this sectionCOCO-Metrik-Bewertung#

Für Benutzer, die den COCO-Datensatz validieren, werden zusätzliche Metriken unter Verwendung des COCO-Auswertungsskripts berechnet. Diese Metriken geben Einblicke in Precision und Recall bei verschiedenen IoU-Schwellenwerten und für Objekte unterschiedlicher Größe.

Link to this sectionVisuelle Ausgaben#

Die Funktion model.val() erzeugt nicht nur numerische Metriken, sondern auch visuelle Ausgaben, die ein intuitiveres Verständnis der Modellleistung ermöglichen. Hier ist eine Aufschlüsselung der visuellen Ausgaben, die du erwarten kannst:

• F1 Score Kurve (F1_curve.png): Diese Kurve stellt den F1 Score über verschiedene Schwellenwerte hinweg dar. Die Interpretation dieser Kurve kann Einblicke in das Gleichgewicht des Modells zwischen falsch-positiven und falsch-negativen Ergebnissen über verschiedene Schwellenwerte hinweg geben.

• Precision-Recall Kurve (PR_curve.png): Eine integrale Visualisierung für jedes Klassifizierungsproblem. Diese Kurve zeigt die Kompromisse zwischen Precision und Recall bei verschiedenen Schwellenwerten. Sie wird besonders wichtig, wenn man es mit unausgewogenen Klassen zu tun hat.

• Precision Kurve (P_curve.png): Eine grafische Darstellung der Precision-Werte bei verschiedenen Schwellenwerten. Diese Kurve hilft zu verstehen, wie sich die Precision bei Änderung des Schwellenwerts verändert.

• Recall Kurve (R_curve.png): Entsprechend illustriert dieses Diagramm, wie sich die Recall-Werte über verschiedene Schwellenwerte hinweg verändern.

• Konfusionsmatrix (confusion_matrix.png): Die Konfusionsmatrix bietet einen detaillierten Überblick über die Ergebnisse und zeigt die Anzahl der wahrhaft positiven, wahrhaft negativen, falsch-positiven und falsch-negativen Ergebnisse für jede Klasse.

• Normalisierte Konfusionsmatrix (confusion_matrix_normalized.png): Diese Visualisierung ist eine normalisierte Version der Konfusionsmatrix. Sie stellt die Daten in Anteilen statt in absoluten Zahlen dar. Dieses Format macht es einfacher, die Leistung über verschiedene Klassen hinweg zu vergleichen.

• Validierungs-Batch-Labels (val_batchX_labels.jpg): Diese Bilder zeigen die Ground-Truth-Labels für verschiedene Batches aus dem Validierungsdatensatz. Sie bieten ein klares Bild davon, was die Objekte sind und wo sie sich gemäß dem Datensatz befinden.

• Validierungs-Batch-Vorhersagen (val_batchX_pred.jpg): Im Gegensatz zu den Label-Bildern zeigen diese Visualisierungen die vom YOLO26-Modell für die jeweiligen Batches getroffenen Vorhersagen. Durch den Vergleich mit den Label-Bildern kannst du leicht beurteilen, wie gut das Modell Objekte visuell erkennt und klassifiziert.

Link to this sectionSpeicherung der Ergebnisse#

Zur späteren Verwendung werden die Ergebnisse in einem Verzeichnis gespeichert, das normalerweise runs/detect/val heißt.

Link to this sectionDie Wahl der richtigen Metriken#

Die Auswahl der richtigen Metriken für die Bewertung hängt oft von der spezifischen Anwendung ab.

• mAP: Geeignet für eine breite Bewertung der Modellleistung.

• IoU: Wesentlich, wenn eine präzise Objektlokalisierung entscheidend ist.

• Precision: Wichtig, wenn die Minimierung von falschen Erkennungen Priorität hat.

• Recall: Vital, wenn es wichtig ist, jede Instanz eines Objekts zu erkennen.

• F1 Score: Nützlich, wenn ein Gleichgewicht zwischen Precision und Recall erforderlich ist.

Für Echtzeitanwendungen sind Geschwindigkeitsmetriken wie FPS (Frames Per Second) und Latenz entscheidend, um zeitnahe Ergebnisse zu gewährleisten.

Link to this sectionInterpretation der Ergebnisse#

Es ist wichtig, die Metriken zu verstehen. Hier ist, was einige der häufig beobachteten niedrigeren Werte bedeuten könnten:

• Niedriger mAP: Deutet darauf hin, dass das Modell möglicherweise allgemeine Verbesserungen benötigt.

• Niedriger IoU: Das Modell hat möglicherweise Schwierigkeiten, Objekte genau zu lokalisieren. Andere BBox-Methoden könnten helfen.

• Niedrige Precision: Das Modell erkennt möglicherweise zu viele nicht existierende Objekte. Die Anpassung der Konfidenzschwellen könnte dies reduzieren.

• Niedriger Recall: Das Modell übersieht möglicherweise echte Objekte. Die Verbesserung der Merkmalsextraktion oder die Verwendung von mehr Daten könnte helfen.

• Unausgewogener F1 Score: Es besteht ein Ungleichgewicht zwischen Precision und Recall.

• Klassenspezifische AP: Niedrige Werte hier können Klassen hervorheben, mit denen das Modell zu kämpfen hat.

Link to this sectionFallstudien#

Beispiele aus der Praxis können helfen zu verdeutlichen, wie diese Metriken in der Anwendung funktionieren.

Link to this sectionFall 1#

• Situation: mAP und F1 Score sind suboptimal, aber während der Recall gut ist, ist die Precision unzureichend.

• Interpretation & Aktion: Es gibt möglicherweise zu viele inkorrekte Erkennungen. Das Verschärfen der Konfidenzschwellen könnte diese reduzieren, auch wenn dies den Recall möglicherweise leicht verringert.

Link to this sectionFall 2#

• Situation: mAP und Recall sind akzeptabel, aber die IoU mangelhaft.

• Interpretation & Aktion: Das Modell erkennt Objekte gut, lokalisiert sie aber möglicherweise nicht präzise. Die Verfeinerung der BBox-Vorhersagen könnte helfen.

Link to this sectionFall 3#

• Situation: Einige Klassen haben eine viel niedrigere AP als andere, trotz eines ordentlichen gesamten mAP.

• Interpretation & Aktion: Diese Klassen könnten für das Modell herausfordernder sein. Die Verwendung von mehr Daten für diese Klassen oder die Anpassung der Klassengewichtung während des Trainings könnten von Vorteil sein.

Link to this sectionVernetzen und zusammenarbeiten#

Der Anschluss an eine Community von Enthusiasten und Experten kann deine Reise mit YOLO26 bereichern. Hier sind einige Wege, die Lernen, Fehlerbehebung und Networking erleichtern können.

Link to this sectionEngagiere dich in der breiteren Community#

• GitHub Issues: Das YOLO26-Repository auf GitHub hat einen Issues-Tab, in dem du Fragen stellen, Fehler melden und neue Funktionen vorschlagen kannst. Die Community und die Maintainer sind hier aktiv, und es ist ein großartiger Ort, um Hilfe bei spezifischen Problemen zu erhalten.

• Ultralytics Discord-Server: Ultralytics hat einen Discord-Server, auf dem du dich mit anderen Benutzern und den Entwicklern austauschen kannst.

Link to this sectionOffizielle Dokumentation und Ressourcen:#

• Ultralytics YOLO26 Docs: Die offizielle Dokumentation bietet einen umfassenden Überblick über YOLO26 sowie Leitfäden zur Installation, Nutzung und Fehlerbehebung.

Die Nutzung dieser Ressourcen wird dich nicht nur durch Herausforderungen führen, sondern dich auch über die neuesten Trends und Best Practices in der YOLO26-Community auf dem Laufenden halten.

Link to this sectionFazit#

In diesem Leitfaden haben wir einen genauen Blick auf die wesentlichen Leistungsmetriken für YOLO26 geworfen. Diese Metriken sind der Schlüssel zum Verständnis der Modellleistung und unverzichtbar für jeden, der seine Modelle feinabstimmen möchte. Sie bieten die notwendigen Erkenntnisse für Verbesserungen und stellen sicher, dass das Modell in realen Situationen effektiv arbeitet.

Denke daran, dass die YOLO26- und Ultralytics-Community ein wertvolles Kapital ist. Der Austausch mit anderen Entwicklern und Experten kann Türen zu Erkenntnissen und Lösungen öffnen, die in der Standarddokumentation nicht zu finden sind. Halte auf deiner Reise durch die Objekterkennung den Geist des Lernens am Leben, experimentiere mit neuen Strategien und teile deine Ergebnisse. Damit leistest du einen Beitrag zum kollektiven Wissen der Community und sicherst ihr Wachstum.

Link to this sectionFAQ#

Link to this sectionWelche Bedeutung hat die Mean Average Precision (mAP) bei der Bewertung der YOLO26-Modellleistung?#

Die Mean Average Precision (mAP) ist entscheidend für die Bewertung von YOLO26-Modellen, da sie eine einzelne Metrik liefert, die Precision und Recall über mehrere Klassen hinweg zusammenfasst. mAP@0.50 misst die Precision bei einem IoU-Schwellenwert von 0,50 und konzentriert sich auf die Fähigkeit des Modells, Objekte korrekt zu erkennen. mAP@0.50:0.95 bildet den Durchschnitt der Precision über eine Reihe von IoU-Schwellenwerten und bietet eine umfassende Bewertung der Erkennungsleistung. Hohe mAP-Werte zeigen, dass das Modell Precision und Recall effektiv ausbalanciert, was für Anwendungen wie autonomes Fahren und Überwachungssysteme entscheidend ist, bei denen sowohl eine genaue Erkennung als auch minimale Fehlalarme kritisch sind.

Link to this sectionWie interpretiere ich den Intersection over Union (IoU)-Wert für die YOLO26-Objekterkennung?#

Intersection over Union (IoU) misst die Überlappung zwischen den vorhergesagten und den Ground-Truth-BBoxen. IoU-Werte liegen zwischen 0 und 1, wobei höhere Werte auf eine bessere Lokalisierungsgenauigkeit hinweisen. Ein IoU von 1,0 bedeutet eine perfekte Übereinstimmung. Normalerweise wird ein IoU-Schwellenwert von 0,50 verwendet, um wahrhaft positive Ergebnisse in Metriken wie mAP zu definieren. Niedrigere IoU-Werte deuten darauf hin, dass das Modell Schwierigkeiten mit der präzisen Objektlokalisierung hat, was durch die Verfeinerung der BBox-Regression oder die Erhöhung der Annotationsgenauigkeit in deinem Trainingsdatensatz verbessert werden kann.

Link to this sectionWarum ist der F1 Score wichtig für die Bewertung von YOLO26-Modellen bei der Objekterkennung?#

The F1 Score is important for evaluating YOLO26 models because it provides a harmonic mean of precision and recall, balancing both false positives and false negatives. It is particularly valuable when dealing with imbalanced datasets or applications where either precision or recall alone is insufficient. A high F1 Score indicates that the model effectively detects objects while minimizing both missed detections and false alarms, making it suitable for critical applications like security systems and medical imaging.

Link to this sectionWas sind die Hauptvorteile der Verwendung von Ultralytics YOLO26 für die Objekterkennung in Echtzeit?#

Ultralytics YOLO26 bietet mehrere Vorteile für die Echtzeit-Objekterkennung:

• Geschwindigkeit und Effizienz: Optimiert für Hochgeschwindigkeits-Inferenz, geeignet für Anwendungen, die eine geringe Latenz erfordern.
• Hohe Genauigkeit: Fortschrittliche Algorithmen gewährleisten hohe mAP- und IoU-Werte und balancieren Precision und Recall aus.
• Flexibilität: Unterstützt verschiedene Aufgaben, einschließlich Objekterkennung, Instanzsegmentierung, semantischer Segmentierung und Klassifizierung.
• Benutzerfreundlichkeit: Benutzerfreundliche Schnittstellen, umfangreiche Dokumentation und nahtlose Integration mit Tools wie der Ultralytics-Plattform (Platform Quickstart).

Dies macht YOLO26 ideal für diverse Anwendungen, von autonomen Fahrzeugen bis zu Smart-City-Lösungen.

Link to this sectionWie können Validierungsmetriken von YOLO26 dazu beitragen, die Modellleistung zu verbessern?#

Validierungsmetriken von YOLO26 wie Precision, Recall, mAP und IoU helfen dabei, die Modellleistung zu diagnostizieren und zu verbessern, indem sie Einblicke in verschiedene Aspekte der Erkennung geben:

• Precision: Hilft dabei, falsch-positive Ergebnisse zu identifizieren und zu minimieren.
• Recall: Stellt sicher, dass alle relevanten Objekte erkannt werden.
• mAP: Bietet einen Überblick über die Gesamtleistung und leitet allgemeine Verbesserungen an.
• IoU: Hilft bei der Feinabstimmung der Genauigkeit der Objektlokalisierung.

Durch die Analyse dieser Metriken können spezifische Schwächen gezielt angegangen werden, etwa durch das Anpassen der Konfidenzschwellen zur Verbesserung der Precision oder das Sammeln vielfältigerer Daten zur Steigerung des Recall. Detaillierte Erklärungen dieser Metriken und wie du sie interpretieren kannst, findest du unter Object Detection Metrics. Erwäge zudem die Implementierung von Hyperparameter-Tuning, um dein Modell zu optimieren.