Link to this sectionDetaillierte Einblicke in Leistungsmetriken#

Link to this sectionEinführung#

Leistungsmetriken sind wichtige Werkzeuge zur Bewertung der Genauigkeit und Effizienz von Objekterkennungs-Modellen. Sie geben Aufschluss darüber, wie effektiv ein Modell Objekte innerhalb von Bildern identifizieren und lokalisieren kann. Zudem 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, ihre Bedeutung und wie du sie interpretieren kannst.

Link to this sectionMetriken zur Objekterkennung#

Beginnen wir mit der Erörterung einiger Metriken, 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 einem vorhergesagten begrenzenden Rahmen (BBox) und einem Ground-Truth-BBox quantifiziert. Sie 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 Präzisions- 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 der Multi-Klassen-Objekterkennung nützlich, um eine umfassende Bewertung der Modellleistung zu ermöglichen.

• Präzision und Recall: Die Präzision (Precision) quantifiziert den Anteil der korrekt positiv erkannten Objekte an allen positiven Vorhersagen und bewertet die Fähigkeit des Modells, falsch-positive Ergebnisse zu vermeiden. Der Recall hingegen berechnet den Anteil der korrekt positiv erkannten Objekte an allen tatsächlich vorhandenen positiven Instanzen und misst die Fähigkeit des Modells, alle Instanzen einer Klasse zu erkennen.

• F1-Score: Der F1-Score ist das harmonische Mittel aus Präzision und Recall und bietet eine ausgewogene Bewertung der Modellleistung unter Berücksichtigung sowohl von falsch-positiven als auch von falsch-negativen Ergebnissen.

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

Nun können wir den Validierungsmodus von YOLO26 erkunden, der zur Berechnung der oben genannten Bewertungsmetriken verwendet werden kann.

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 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 möchtest, wie gut das Modell für jede einzelne Klasse abschneidet, insbesondere bei Datensätzen mit einer vielfältigen Auswahl an Objektkategorien. Für jede Klasse im Datensatz wird Folgendes bereitgestellt:

• Klasse: Dies bezeichnet den Namen der Objektklasse, wie z. B. "Person", "Auto" oder "Hund".

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

• Instanzen: Dies gibt an, wie oft die Klasse in allen Bildern des Validierungssatzes vorkommt.

• Box(P, R, mAP50, mAP50-95): Diese Metrik gibt Aufschluss über die Leistung des Modells bei der Erkennung von Objekten:

  • P (Präzision): 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. Dies bietet einen umfassenden Überblick über die Leistung des Modells bei unterschiedlichen Schwierigkeitsgraden der Erkennung.

Link to this sectionGeschwindigkeitsmetriken#

Die Inferenzgeschwindigkeit kann ebenso kritisch sein wie die Genauigkeit, insbesondere in Echtzeit-Objekterkennungsszenarien. 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 auf dem COCO-Datensatz validieren, werden zusätzliche Metriken mithilfe des COCO-Evaluierungsskripts berechnet. Diese Metriken geben Einblicke in Präzision und Recall bei verschiedenen IoU-Schwellenwerten und für Objekte unterschiedlicher Größe.

Link to this sectionVisuelle Ausgaben#

Die Funktion model.val() liefert neben numerischen Metriken auch visuelle Ausgaben, die ein intuitiveres Verständnis der Modellleistung ermöglichen können. Hier ist eine Aufschlüsselung der visuellen Ausgaben, die du erwarten kannst:

• F1 Score Curve (BoxF1_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 bei unterschiedlichen Schwellenwerten bieten.

• Precision-Recall Curve (BoxPR_curve.png): Als integrale Visualisierung für jedes Klassifizierungsproblem zeigt diese Kurve das Verhältnis zwischen Precision und recall bei verschiedenen Schwellenwerten. Sie wird besonders wichtig, wenn du es mit unausgewogenen Klassen zu tun hast.

• Precision Curve (BoxP_curve.png): Eine grafische Darstellung der Precision-Werte bei verschiedenen Schwellenwerten. Diese Kurve hilft zu verstehen, wie sich die Precision verändert, wenn sich der Schwellenwert ändert.

• Recall Curve (BoxR_curve.png): Entsprechend veranschaulicht diese Grafik, wie sich die Recall-Werte über verschiedene Schwellenwerte hinweg verändern.

• Konfusionsmatrix (confusion_matrix.png): Die Konfusionsmatrix bietet einen detaillierten Blick auf die Ergebnisse und zeigt die Anzahl der True Positives, True Negatives, False Positives und False Negatives 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 erleichtert den Leistungsvergleich zwischen den Klassen.

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

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

Für die detection-, segmentation- und pose-Aufgaben sind die Kurvendiagramme mit dem Metriktyp versehen: detection schreibt Box*-Kurven, segmentation schreibt sowohl Box*- als auch Mask*-Kurven, und pose schreibt sowohl Box*- als auch Pose*-Kurven.

Link to this sectionSpeicherung der Ergebnisse#

Für zukünftige Referenzzwecke werden die Ergebnisse in einem Verzeichnis gespeichert, das normalerweise runs/detect/val heißt.

Link to this sectionAuswahl der richtigen Metriken#

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

• mAP: Geeignet für eine breite Bewertung der Modellleistung.

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

• Präzision: Wichtig, wenn die Minimierung von Falscherkennungen Priorität hat.

• Recall: Lebenswichtig, wenn es darauf ankommt, jede Instanz eines Objekts zu erkennen.

• F1-Score: Nützlich, wenn ein Gleichgewicht zwischen Präzision 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 andeuten könnten:

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

• Niedrige IoU: Das Modell könnte Schwierigkeiten haben, Objekte präzise zu bestimmen. Andere BBox-Methoden könnten helfen.

• Niedrige Präzision: Das Modell erkennt möglicherweise zu viele nicht existierende Objekte. Eine 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 Gefälle zwischen Präzision und Recall.

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

Link to this sectionFallstudien#

Beispiele aus der Praxis können 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 Präzision nicht optimal.

• Interpretation & Maßnahme: Es könnten zu viele falsche Erkennungen vorliegen. Eine Verschärfung der Konfidenzschwellen könnte diese reduzieren, obwohl dies auch den Recall leicht senken könnte.

Link to this sectionFall 2#

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

• Interpretation & Maßnahme: 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 deutlich niedrigere AP als andere, trotz eines ordentlichen GesamtmAP.

• Interpretation & Maßnahme: Diese Klassen könnten eine größere Herausforderung für das Modell darstellen. Die Verwendung von mehr Daten für diese Klassen oder die Anpassung der Klassengewichtung während des Trainings könnte von Vorteil sein.

Link to this sectionVerbinden und Zusammenarbeiten#

Die Nutzung einer Community aus 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 verfügt über einen Issues-Tab, auf 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 bekommen.

• 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 Anleitungen zu Installation, Verwendung und Fehlerbehebung.

Die Nutzung dieser Ressourcen wird dich nicht nur bei Herausforderungen begleiten, 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 die wesentlichen Leistungsmetriken für YOLO26 genau unter die Lupe genommen. Diese Metriken sind der Schlüssel zum Verständnis der Modellleistung und sind für jeden unerlässlich, der seine Modelle feinabstimmen möchte. Sie bieten die notwendigen Einblicke für Verbesserungen und stellen sicher, dass das Modell in realen Situationen effektiv arbeitet.

Denk daran, dass die YOLO26- und Ultralytics-Community eine unschätzbare Ressource ist. Der Austausch mit anderen Entwicklern und Experten kann Türen zu Erkenntnissen und Lösungen öffnen, die in der Standarddokumentation nicht zu finden sind. Während du dich mit Objekterkennung beschäftigst, bewahre den Geist des Lernens, experimentiere mit neuen Strategien und teile deine Erkenntnisse. Dadurch trägst du zum kollektiven Wissen der Community bei und sicherst ihr Wachstum.

Link to this sectionFAQ#

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

Die Mean Average Precision (mAP) ist entscheidend für die Bewertung von YOLO26-Modellen, da sie eine einzelne Metrik liefert, die Präzision und Recall über mehrere Klassen hinweg zusammenfasst. mAP@0.50 misst die Präzision bei einem IoU-Schwellenwert von 0,50 und konzentriert sich auf die Fähigkeit des Modells, Objekte korrekt zu erkennen. mAP@0.50:0.95 mittelt die Präzision über einen Bereich von IoU-Schwellenwerten und bietet so eine umfassende Bewertung der Erkennungsleistung. Hohe mAP-Werte zeigen an, dass das Modell Präzision 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 Wert der Intersection over Union (IoU) 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 Ausrichtung. Typischerweise wird ein IoU-Schwellenwert von 0,50 verwendet, um True Positives in Metriken wie mAP zu definieren. Niedrigere IoU-Werte deuten darauf hin, dass das Modell mit einer präzisen Objektlokalisierung kämpft, 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 für die Bewertung von YOLO26-Modellen bei der Objekterkennung wichtig?#

Der F1-Score ist wichtig für die Bewertung von YOLO26-Modellen, da er ein harmonisches Mittel aus Präzision und Recall bietet und sowohl False Positives als auch False Negatives ausgleicht. Er ist besonders wertvoll bei unausgewogenen Datensätzen oder Anwendungen, bei denen Präzision oder Recall allein nicht ausreichen. Ein hoher F1-Score zeigt an, dass das Modell Objekte effektiv erkennt und gleichzeitig sowohl verpasste Erkennungen als auch Fehlalarme minimiert, was es für kritische Anwendungen wie Sicherheitssysteme und medizinische Bildgebung geeignet macht.

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: Fortschrittlicher Algorithmus sorgt für hohe mAP- und IoU-Werte und gleicht Präzision 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 Platform (Plattform-Schnellstart).

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

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

Validierungsmetriken von YOLO26 wie Präzision, Recall, mAP und IoU helfen bei der Diagnose und Verbesserung der Modellleistung, indem sie Einblicke in verschiedene Aspekte der Erkennung geben:

• Präzision: Hilft dabei, False Positives zu identifizieren und zu minimieren.
• Recall: Stellt sicher, dass alle relevanten Objekte erkannt werden.
• mAP: Bietet einen Gesamtüberblick über die Leistung und leitet allgemeine Verbesserungen ein.
• IoU: Hilft bei der Feinabstimmung der Objektlokalisierungsgenauigkeit.

Durch die Analyse dieser Metriken können spezifische Schwachstellen gezielt angegangen werden, wie z. B. die Anpassung von Konfidenzschwellen zur Verbesserung der Präzision oder das Sammeln vielfältigerer Daten zur Steigerung des Recalls. Für detaillierte Erklärungen dieser Metriken und wie man sie interpretiert, sieh dir Objekterkennungsmetriken an und ziehe die Implementierung von Hyperparameter-Tuning in Betracht, um dein Modell zu optimieren.