Análisis detallado de las métricas de rendimiento#

Introducción#

Las métricas de rendimiento son herramientas clave para evaluar la precisión y la eficiencia de los modelos de detección de objetos. Aportan información sobre la eficacia con la que un modelo puede identificar y localizar objetos en imágenes. Además, ayudan a entender cómo gestiona el modelo los falsos positivos y los falsos negativos. Estos datos son fundamentales para evaluar y mejorar el rendimiento del modelo. En esta guía, exploraremos distintas métricas de rendimiento asociadas a YOLO26, su importancia y cómo interpretarlas.

Métricas de detección de objetos#

Empecemos hablando de algunas métricas que no solo son importantes para YOLO26, sino que también se aplican ampliamente a distintos modelos de detección de objetos.

• Intersección sobre unión (IoU): IoU es una medida que cuantifica el solapamiento entre un cuadro delimitador predicho y un cuadro delimitador real. Desempeña un papel fundamental al evaluar la precisión de la localización de objetos.

• Precisión media (AP): AP calcula el área bajo la curva de precisión-recall y proporciona un único valor que resume el rendimiento del modelo en precisión y recall.

• Media de la precisión media (mAP): mAP amplía el concepto de AP al calcular la media de los valores de AP de varias clases de objetos. Resulta útil en escenarios de detección de objetos multiclase para ofrecer una evaluación global del rendimiento del modelo.

• Precisión y recall: la precisión cuantifica la proporción de verdaderos positivos entre todas las predicciones positivas y evalúa la capacidad del modelo para evitar falsos positivos. Por otro lado, el recall calcula la proporción de verdaderos positivos entre todos los positivos reales y mide la capacidad del modelo para detectar todas las instancias de una clase.

• Puntuación F1: la puntuación F1 es la media armónica de la precisión y el recall; ofrece una evaluación equilibrada del rendimiento de un modelo teniendo en cuenta tanto los falsos positivos como los falsos negativos.

Cómo calcular métricas para un modelo YOLO26#

Ahora podemos explorar el modo de validación de YOLO26, que permite calcular las métricas de evaluación mencionadas anteriormente.

Usar el modo de validación es sencillo. Cuando tengas un modelo entrenado, puedes llamar a la función model.val(). Esta función procesará el conjunto de datos de validación y devolverá varias métricas de rendimiento. Pero ¿qué significan estas métricas? ¿Y cómo debes interpretarlas?

Interpretación de los resultados#

Analicemos los resultados de la función model.val() y entendamos cada una de sus secciones.

Métricas por clase#

Una de las secciones de los resultados desglosa las métricas de rendimiento por clase. Esta información detallada resulta útil para entender cómo funciona el modelo con cada clase específica, sobre todo en conjuntos de datos con una gran variedad de categorías de objetos. Para cada clase del conjunto de datos se proporciona lo siguiente:

• Clase: indica el nombre de la clase de objeto, como «persona», «coche» o «perro».

• Imágenes: esta métrica indica cuántas imágenes del conjunto de validación contienen objetos de esa clase.

• Instancias: indica cuántas veces aparece la clase en todas las imágenes del conjunto de validación.

• Box(P, R, mAP50, mAP50-95): esta métrica ofrece información sobre el rendimiento del modelo al detectar objetos:

  • P (precisión): la exactitud de los objetos detectados; indica cuántas detecciones fueron correctas.

  • R (recall): la capacidad del modelo para identificar todas las instancias de objetos presentes en las imágenes.

  • mAP50: precisión media calculada con un umbral de intersección sobre unión (IoU) de 0,50. Mide la precisión del modelo teniendo en cuenta solo las detecciones «fáciles».

  • mAP50-95: media de la precisión media calculada con distintos umbrales de IoU, del 0,50 al 0,95. Ofrece una visión global del rendimiento del modelo con distintos niveles de dificultad de detección.

Métricas de velocidad#

La velocidad de inferencia puede ser tan importante como la precisión, sobre todo en escenarios de detección de objetos en tiempo real. En esta sección se desglosa el tiempo que lleva cada etapa del proceso de validación, desde el preprocesamiento hasta el posprocesamiento.

Evaluación de métricas COCO#

Para quienes validan con el conjunto de datos COCO, el script de evaluación de COCO calcula métricas adicionales. Estas métricas aportan información sobre la precisión y el recall con distintos umbrales de IoU y para objetos de diferentes tamaños.

Resultados visuales#

Además de generar métricas numéricas, la función model.val() también produce resultados visuales que pueden ayudar a comprender el rendimiento del modelo de forma más intuitiva. A continuación se describen los resultados visuales que puedes esperar:

• Curva de puntuación F1 (BoxF1_curve.png): Esta curva representa la puntuación F1 en distintos umbrales. Interpretarla puede ofrecer información sobre el equilibrio del modelo entre falsos positivos y falsos negativos en los distintos umbrales.

• Curva de precisión-recall (BoxPR_curve.png): Esta curva, esencial para cualquier problema de clasificación, muestra las compensaciones entre la precisión y el recall en distintos umbrales. Resulta especialmente importante al trabajar con clases desequilibradas.

• Curva de precisión (BoxP_curve.png): Representación gráfica de los valores de precisión en distintos umbrales. Esta curva ayuda a comprender cómo varía la precisión al cambiar el umbral.

• Curva de recall (BoxR_curve.png): Este gráfico muestra cómo cambian los valores de recall en distintos umbrales.

• Matriz de confusión (confusion_matrix.png): La matriz de confusión ofrece una vista detallada de los resultados y muestra el recuento de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos de cada clase.

• Matriz de confusión normalizada (confusion_matrix_normalized.png): Esta visualización es una versión normalizada de la matriz de confusión. Representa los datos como proporciones en lugar de recuentos brutos. Este formato facilita la comparación del rendimiento entre clases.

• Etiquetas de los lotes de validación (val_batchX_labels.jpg): Estas imágenes muestran las etiquetas de referencia de distintos lotes del conjunto de datos de validación. Ofrecen una visión clara de los objetos y sus ubicaciones según el conjunto de datos.

• Predicciones de los lotes de validación (val_batchX_pred.jpg): A diferencia de las imágenes de etiquetas, estas imágenes muestran las predicciones del modelo YOLO26 para los lotes correspondientes. Al compararlas con las imágenes de etiquetas, puedes evaluar fácilmente de forma visual cómo detecta y clasifica los objetos el modelo.

Para las tareas de detección, segmentación y pose, los nombres de los gráficos de curvas llevan como prefijo el tipo de métrica: la detección genera curvas Box*, la segmentación genera curvas Box* y Mask*, y la pose genera curvas Box* y Pose*.

Almacenamiento de resultados#

Para consultarlos más adelante, los resultados se guardan en un directorio que suele llamarse runs/detect/val.

Elegir las métricas adecuadas#

La elección de las métricas adecuadas para la evaluación suele depender de la aplicación concreta.

• mAP: Adecuada para evaluar el rendimiento general del modelo.

• IoU: Esencial cuando es crucial localizar los objetos con precisión.

• Precisión: Importante cuando la prioridad es minimizar las detecciones falsas.

• Recall: Fundamental cuando es importante detectar todos los casos de un objeto.

• Puntuación F1: Útil cuando se necesita equilibrar la precisión y el recall.

En las aplicaciones en tiempo real, las métricas de velocidad, como FPS (fotogramas por segundo) y la latencia, son cruciales para garantizar resultados a tiempo.

Interpretación de los resultados#

Es importante comprender las métricas. Esto es lo que pueden indicar algunas de las puntuaciones bajas más habituales:

• mAP baja: Indica que el modelo quizá necesite algunos ajustes generales.

• IoU baja: Es posible que el modelo tenga dificultades para localizar los objetos con precisión. Podrían ayudar distintos métodos para las cajas delimitadoras.

• Precisión baja: Es posible que el modelo detecte demasiados objetos inexistentes. Ajustar los umbrales de confianza podría reducirlos.

• Recall bajo: Es posible que el modelo no detecte algunos objetos reales. Mejorar la extracción de características o utilizar más datos podría ayudar.

• Puntuación F1 desequilibrada: Hay una diferencia entre la precisión y el recall.

• AP por clase: Las puntuaciones bajas pueden revelar las clases que plantean dificultades al modelo.

Casos prácticos#

Los ejemplos del mundo real pueden ayudar a aclarar cómo funcionan estas métricas en la práctica.

Caso 1#

• Situación: La mAP y la puntuación F1 son subóptimas, pero el recall es bueno y la precisión no.

• Interpretación y acción: Puede haber demasiadas detecciones incorrectas. Endurecer los umbrales de confianza podría reducirlas, aunque también podría disminuir ligeramente el recall.

Caso 2#

• Situación: La mAP y el recall son aceptables, pero la IoU es baja.

• Interpretación y acción: El modelo detecta bien los objetos, pero quizá no los localiza con precisión. Podría ayudar refinar las predicciones de las cajas delimitadoras.

Caso 3#

• Situación: Algunas clases tienen un AP mucho menor que otras, aunque la mAP general sea aceptable.

• Interpretación y acción: Es posible que estas clases planteen más dificultades al modelo. Podría ser útil utilizar más datos de estas clases o ajustar sus pesos durante el entrenamiento.

Conecta y colabora#

Aprovechar una comunidad de entusiastas y expertos puede enriquecer tu experiencia con YOLO26. Aquí tienes algunas opciones para aprender, resolver problemas y ampliar tu red de contactos.

Participa en la comunidad en general#

• Problemas de GitHub: El repositorio de Ultralytics en GitHub tiene una pestaña de problemas donde puedes hacer preguntas, informar de errores y sugerir nuevas funciones. La comunidad y las personas responsables del mantenimiento participan activamente, así que es un buen lugar para obtener ayuda con problemas concretos.

• Servidor de Discord de Ultralytics: Ultralytics tiene un servidor de Discord donde puedes interactuar con otros usuarios y con el equipo de desarrollo.

Documentación y recursos oficiales#

• Documentación de Ultralytics YOLO26: La documentación oficial ofrece una descripción completa de YOLO26, además de guías de instalación, uso y resolución de problemas.

Estos recursos no solo te guiarán para superar los retos, sino que también te mantendrán al día de las últimas tendencias y buenas prácticas de la comunidad YOLO26.

Conclusión#

En esta guía hemos analizado en detalle las métricas de rendimiento esenciales de YOLO26. Estas métricas son clave para comprender el rendimiento de un modelo y resultan fundamentales para cualquiera que quiera ajustar sus modelos. Ofrecen la información necesaria para introducir mejoras y garantizar que el modelo funcione eficazmente en situaciones reales.

Recuerda que la comunidad de YOLO26 y Ultralytics es un recurso de valor incalculable. Interactuar con otros desarrolladores y expertos puede abrirte las puertas a información y soluciones que no encontrarás en la documentación estándar. Mientras exploras la detección de objetos, mantén vivo el espíritu de aprendizaje, experimenta con nuevas estrategias y comparte tus conclusiones. Así contribuirás al conocimiento colectivo de la comunidad y favorecerás su crecimiento.

Preguntas frecuentes#