Análisis exhaustivo 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. Permiten saber hasta qué punto un modelo puede identificar y localizar objetos en imágenes. Además, ayudan a comprender 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 varias 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 la superposición entre un cuadro delimitador predicho y un cuadro delimitador de referencia. Desempeña un papel fundamental en la evaluación de 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.

• Precisión media promedio (mAP): mAP amplía el concepto de AP calculando el promedio de los valores de AP en varias clases de objetos. Esto resulta útil en escenarios de detección de objetos multiclase para ofrecer una evaluación completa 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, y ofrece una evaluación equilibrada del rendimiento de un modelo teniendo en cuenta tanto los falsos positivos como los falsos negativos.

Cómo calcular las métricas del modelo YOLO26#

Ahora podemos explorar el modo de validación de YOLO26, que se puede utilizar para calcular las métricas de evaluación mencionadas anteriormente.

Usar el modo de validación es sencillo. Cuando tengas un modelo entrenado, puedes invocar 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 la salida#

Analicemos la salida de la función model.val() y comprendamos cada segmento.

Métricas por clase#

Una de las secciones de la salida es el desglose de las métricas de rendimiento por clase. Esta información detallada resulta útil cuando intentas comprender el rendimiento del modelo para cada clase específica, especialmente 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 el número de imágenes del conjunto de validación que contienen la clase de objeto.

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

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

  • P (Precision): La precisión de los objetos detectados, que 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 promedio calculada con un umbral de intersección sobre unión (IoU) de 0.50. Es una medida de la precisión del modelo que solo tiene en cuenta las detecciones "sencillas".

  • mAP50-95: El promedio de la precisión media promedio calculada con distintos umbrales de IoU, que van de 0.50 a 0.95. Ofrece una visión completa del rendimiento del modelo en diferentes niveles de dificultad de detección.

Métricas de velocidad#

La velocidad de inferencia puede ser tan importante como la precisión, especialmente en escenarios de detección de objetos en tiempo real. Esta sección desglosa el tiempo empleado en las distintas fases del proceso de validación, desde el preprocesamiento hasta el posprocesamiento.

Evaluación de métricas de COCO#

Para los usuarios que validan con el conjunto de datos COCO, se calculan métricas adicionales mediante el script de evaluación de COCO. Estas métricas proporcionan información sobre la precisión y el recall con distintos umbrales de IoU y para objetos de diferentes tamaños.

Resultados visuales#

La función model.val(), además de producir métricas numéricas, también genera resultados visuales que pueden ofrecer una comprensión más intuitiva del rendimiento del modelo. Estos son los resultados visuales que puedes esperar:

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

• Curva de precisión-recall (BoxPR_curve.png): Esta curva es una visualización esencial para cualquier problema de clasificación y muestra el equilibrio entre la precisión y el recall con distintos umbrales. Es especialmente importante al trabajar con clases desequilibradas.

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

• Curva de recall (BoxR_curve.png): Del mismo modo, este gráfico muestra cómo cambian los valores de recall con distintos umbrales.

• Matriz de confusión (confusion_matrix.png): La matriz de confusión ofrece una visión detallada de los resultados y muestra los recuentos de verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos para 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 sin procesar. Este formato facilita la comparación del rendimiento entre clases.

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

• Predicciones de lotes de validación (val_batchX_pred.jpg): A diferencia de las imágenes de etiquetas, estos resultados visuales muestran las predicciones realizadas por el modelo YOLO26 para los lotes correspondientes. Al compararlos con las imágenes de etiquetas, puedes evaluar fácilmente cómo detecta y clasifica visualmente los objetos el modelo.

Para las tareas de detección, segmentación y pose, las gráficas de curvas llevan como prefijo el tipo de métrica: la detección escribe curvas Box*, la segmentación escribe tanto curvas Box* como Mask*, y la pose escribe tanto curvas Box* como Pose*.

Almacenamiento de resultados#

Para futuras consultas, los resultados se guardan en un directorio que normalmente se denomina runs/detect/val.

Elección de las métricas adecuadas#

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

• mAP: Adecuada para una evaluación general del rendimiento 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 todas las instancias 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 fundamentales para garantizar resultados puntuales.

Interpretación de los resultados#

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

• mAP bajo: Indica que el modelo puede necesitar mejoras generales.

• IoU bajo: Es posible que el modelo tenga dificultades para localizar los objetos con precisión. Podrían ayudar distintos métodos de cuadros delimitadores.

• Precisión baja: Es posible que el modelo esté detectando demasiados objetos inexistentes. Ajustar los umbrales de confianza podría reducir este problema.

• Recall bajo: El modelo podría estar omitiendo objetos reales. Mejorar la extracción de características o utilizar más datos podría ayudar.

• Puntuación F1 desequilibrada: Existe una disparidad entre la precisión y el recall.

• AP específica de la clase: Las puntuaciones bajas aquí pueden poner de relieve las clases con las que el modelo tiene dificultades.

Casos prácticos#

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

Caso 1#

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

• Interpretación y acción: Podría haber demasiadas detecciones incorrectas. Aumentar la exigencia de los umbrales de confianza podría reducirlas, aunque también podría disminuir ligeramente el recall.

Caso 2#

• Situación: mAP y el recall son aceptables, pero el IoU es insuficiente.

• Interpretación y acción: El modelo detecta bien los objetos, pero quizá no los localiza con precisión. Perfeccionar las predicciones de los cuadros delimitadores podría ayudar.

Caso 3#

• Situación: Algunas clases tienen un AP mucho menor que otras, incluso con un mAP general aceptable.

• Interpretación y acción: Estas clases podrían ser más difíciles para el modelo. Utilizar más datos para ellas o ajustar los pesos de las clases durante el entrenamiento podría ser beneficioso.

Conecta y colabora#

Aprovechar una comunidad de entusiastas y expertos puede impulsar tu trayectoria con YOLO26. Estas son algunas vías que pueden facilitar el aprendizaje, la resolución de problemas y la creación de contactos.

Participa en la comunidad en general#

• GitHub Issues: El repositorio de Ultralytics en GitHub tiene una pestaña de Issues en la que puedes hacer preguntas, informar de errores y sugerir nuevas funciones. La comunidad y los mantenedores están activos aquí, y es un gran lugar para obtener ayuda con problemas específicos.

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

Documentación y recursos oficiales#

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

El uso de estos recursos no solo te ayudará a superar cualquier dificultad, sino que también te mantendrá al día sobre las últimas tendencias y prácticas recomendadas de la comunidad de YOLO26.

Conclusión#

En esta guía, hemos examinado detenidamente las métricas de rendimiento esenciales para YOLO26. Estas métricas son clave para comprender el rendimiento de un modelo y resultan fundamentales para cualquiera que quiera ajustar sus modelos. Proporcionan la información necesaria para mejorarlos y garantizar que el modelo funcione eficazmente en situaciones reales.

Recuerda que la comunidad de YOLO26 y Ultralytics es un recurso inestimable. Interactuar con otros desarrolladores y expertos puede abrirte las puertas a conocimientos y soluciones que no se encuentran en la documentación estándar. A medida que avances en la detección de objetos, mantén vivo el espíritu de aprendizaje, experimenta con nuevas estrategias y comparte tus descubrimientos. De este modo, contribuirás al conocimiento colectivo de la comunidad y garantizarás su crecimiento.

Preguntas frecuentes#