Link to this sectionAnálisis profundo de las métricas de rendimiento#

Link to this sectionIntroducción#

Las métricas de rendimiento son herramientas clave para evaluar la precisión y la eficiencia de los modelos de detección de objetos. Estas arrojan luz sobre la eficacia con la que un modelo puede identificar y localizar objetos dentro de las imágenes. Además, ayudan a comprender cómo gestiona el modelo los falsos positivos y los falsos negativos. Estos conocimientos son fundamentales para evaluar y mejorar el rendimiento del modelo. En esta guía, exploraremos varias métricas de rendimiento asociadas con YOLO26, su importancia y cómo interpretarlas.

Link to this sectionMétricas de detección de objetos#

Comencemos analizando algunas métricas que no solo son importantes para YOLO26, sino que son ampliamente aplicables en diferentes modelos de detección de objetos.

• Intersección sobre Unión (IoU): La IoU es una medida que cuantifica la superposición entre un cuadro delimitador previsto y un cuadro delimitador real. Desempeña un papel fundamental en la evaluación de la precisión de la localización de objetos.

• Precisión Media (AP): La AP calcula el área bajo la curva precisión-exhaustividad (precision-recall), proporcionando un valor único que resume el rendimiento de precisión y exhaustividad del modelo.

• Precisión Media Media (mAP): La mAP amplía el concepto de AP calculando los valores medios de AP en múltiples clases de objetos. Esto es útil en escenarios de detección de objetos multiclase para proporcionar una evaluación exhaustiva del rendimiento del modelo.

• Precisión y Exhaustividad (Recall): La precisión cuantifica la proporción de verdaderos positivos entre todas las predicciones positivas, evaluando la capacidad del modelo para evitar falsos positivos. Por otro lado, la exhaustividad (recall) calcula la proporción de verdaderos positivos entre todos los positivos reales, midiendo 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 la exhaustividad, lo que proporciona una evaluación equilibrada del rendimiento de un modelo al considerar tanto los falsos positivos como los falsos negativos.

Link to this sectionCómo calcular métricas para el modelo YOLO26#

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

Usar el modo de validación es sencillo. Una vez que tengas un modelo entrenado, puedes invocar la función model.val(). Esta función procesará entonces el conjunto de datos de validación y devolverá una variedad de métricas de rendimiento. Pero, ¿qué significan estas métricas? ¿Y cómo deberías interpretarlas?

Link to this sectionInterpretación de los resultados#

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

Link to this sectionMétricas por clase#

Una de las secciones de los resultados es el desglose por clases de las métricas de rendimiento. Esta información granular es útil cuando intentas comprender qué tan bien se está desempeñando el modelo para cada clase específica, especialmente en conjuntos de datos con una amplia gama de categorías de objetos. Para cada clase en el conjunto de datos se proporciona lo siguiente:

• Clase: Esto indica el nombre de la clase del objeto, como "persona", "coche" o "perro".

• Imágenes: Esta métrica te indica el número de imágenes en el conjunto de validación que contienen la clase de objeto.

• Instancias: Esto proporciona el recuento de 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 en la detección de objetos:

  • P (Precisión): La precisión de los objetos detectados, que indica cuántas detecciones fueron correctas.

  • R (Exhaustividad): La capacidad del modelo para identificar todas las instancias de objetos en las imágenes.

  • mAP50: Precisión media calculada en un umbral de intersección sobre unión (IoU) de 0.50. Es una medida de la precisión del modelo considerando solo las detecciones "fáciles".

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

Link to this sectionMétricas de velocidad#

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

Link to this sectionEvaluación de métricas de COCO#

Para los usuarios que validan con el conjunto de datos COCO, se calculan métricas adicionales utilizando el script de evaluación de COCO. Estas métricas ofrecen información sobre la precisión y la exhaustividad en diferentes umbrales de IoU y para objetos de diferentes tamaños.

Link to this sectionResultados visuales#

La función model.val(), además de producir métricas numéricas, también genera resultados visuales que pueden proporcionar una comprensión más intuitiva del rendimiento del modelo. Aquí tienes un desglose de los resultados visuales que puedes esperar:

• Curva de puntuación F1 (BoxF1_curve.png): Esta curva representa la puntuación F1 a través de varios umbrales. Interpretar esta curva puede ofrecer información sobre el equilibrio del modelo entre falsos positivos y falsos negativos en diferentes umbrales.

• Curva de precisión-exhaustividad (BoxPR_curve.png): Una visualización integral para cualquier problema de clasificación, esta curva muestra las compensaciones entre la precisión y la exhaustividad en distintos umbrales. Se vuelve especialmente significativa al tratar con clases desequilibradas.

• Curva de precisión (BoxP_curve.png): Una representación gráfica de los valores de precisión a diferentes umbrales. Esta curva ayuda a entender cómo varía la precisión a medida que cambia el umbral.

• Curva de exhaustividad (BoxR_curve.png): Correspondientemente, este gráfico ilustra cómo cambian los valores de exhaustividad a través de diferentes umbrales.

• Matriz de confusión (confusion_matrix.png): La matriz de confusión proporciona una vista detallada de los resultados, mostrando 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 en proporciones en lugar de en recuentos brutos. Este formato simplifica la comparación del rendimiento entre clases.

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

• Predicciones de lote de validación (val_batchX_pred.jpg): En contraste con las imágenes de las etiquetas, estos elementos visuales muestran las predicciones realizadas por el modelo YOLO26 para los lotes respectivos. Al compararlos con las imágenes de etiquetas, puedes evaluar fácilmente qué tan bien detecta y clasifica los objetos el modelo visualmente.

Para las tareas de detección, segmentación y pose, los gráficos de curvas tienen 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*.

Link to this sectionAlmacenamiento de resultados#

Para referencia futura, los resultados se guardan en un directorio, generalmente llamado runs/detect/val.

Link to this sectionElección de las métricas adecuadas#

Elegir las métricas adecuadas para evaluar a menudo depende de la aplicación específica.

• mAP: Adecuada para una evaluación amplia del rendimiento del modelo.

• IoU: Esencial cuando la ubicación precisa del objeto es crucial.

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

• Exhaustividad (Recall): Vital cuando es importante detectar cada instancia de un objeto.

• Puntuación F1: Útil cuando se necesita un equilibrio entre precisión y exhaustividad.

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

Link to this sectionInterpretación de los resultados#

Es importante comprender las métricas. Esto es lo que podrían sugerir algunas de las puntuaciones más bajas que se observan comúnmente:

• mAP baja: Indica que el modelo puede necesitar refinamientos generales.

• IoU baja: El modelo podría estar teniendo dificultades para localizar objetos con precisión. Diferentes métodos de cuadros delimitadores podrían ayudar.

• Precisión baja: El modelo podría estar detectando demasiados objetos inexistentes. Ajustar los umbrales de confianza podría reducir esto.

• Exhaustividad baja: El modelo podría estar omitiendo objetos reales. Mejorar la extracción de características o usar más datos podría ayudar.

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

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

Link to this sectionCasos prácticos#

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

Link to this sectionCaso 1#

• Situación: La mAP y la puntuación F1 no son óptimas, pero aunque la exhaustividad es buena, la precisión no lo es.

• Interpretación y acción: Puede haber demasiadas detecciones incorrectas. Aumentar los umbrales de confianza podría reducirlas, aunque también podría disminuir ligeramente la exhaustividad.

Link to this sectionCaso 2#

• Situación: La mAP y la exhaustividad son aceptables, pero la IoU es deficiente.

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

Link to this sectionCaso 3#

• Situación: Algunas clases tienen una AP mucho más baja que otras, incluso con una mAP general aceptable.

• Interpretación y acción: Estas clases podrían ser más desafiantes para el modelo. Usar más datos para estas clases o ajustar las ponderaciones de las clases durante el entrenamiento podría ser beneficioso.

Link to this sectionConecta y colabora#

Aprovechar una comunidad de entusiastas y expertos puede ampliar tu experiencia con YOLO26. Aquí tienes algunas vías que pueden facilitar el aprendizaje, la resolución de problemas y la creación de redes.

Link to this sectionParticipa en la comunidad en general#

• GitHub Issues: El repositorio de YOLO26 en GitHub tiene una pestaña de Issues donde puedes hacer preguntas, informar de errores y sugerir nuevas funciones. La comunidad y los responsables del mantenimiento son activos aquí, y es un lugar ideal para obtener ayuda con problemas específicos.

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

Link to this sectionDocumentación y recursos oficiales:#

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

El uso de estos recursos no solo te guiará a través de cualquier desafío, sino que también te mantendrá actualizado con las últimas tendencias y mejores prácticas en la comunidad de YOLO26.

Link to this sectionConclusión#

En esta guía, hemos analizado de cerca las métricas de rendimiento esenciales para YOLO26. Estas métricas son clave para entender qué tan bien se está desempeñando un modelo y son vitales para cualquiera que busque ajustar sus modelos. Ofrecen la información necesaria para realizar mejoras y garantizar que el modelo funcione eficazmente en situaciones de la vida real.

Recuerda que la comunidad de YOLO26 y Ultralytics es un activo invaluable. Interactuar con otros desarrolladores y expertos puede abrir puertas a conocimientos y soluciones que no se encuentran en la documentación estándar. A medida que avanzas en la detección de objetos, mantén vivo el espíritu de aprendizaje, experimenta con nuevas estrategias y comparte tus hallazgos. Al hacerlo, contribuyes a la sabiduría colectiva de la comunidad y aseguras su crecimiento.

Link to this sectionFAQ#

Link to this section¿Cuál es el significado de la Precisión Media Media (mAP) al evaluar el rendimiento del modelo YOLO26?#

La Precisión Media Media (mAP) es crucial para evaluar los modelos YOLO26, ya que proporciona una métrica única que resume la precisión y la exhaustividad en múltiples clases. La mAP@0.50 mide la precisión con un umbral de IoU de 0.50, centrándose en la capacidad del modelo para detectar objetos correctamente. La mAP@0.50:0.95 promedia la precisión en un rango de umbrales de IoU, ofreciendo una evaluación exhaustiva del rendimiento de detección. Las puntuaciones mAP altas indican que el modelo equilibra eficazmente la precisión y la exhaustividad, lo cual es esencial para aplicaciones como la conducción autónoma y los sistemas de vigilancia donde tanto la detección precisa como las falsas alarmas mínimas son críticas.

Link to this section¿Cómo interpreto el valor de Intersección sobre Unión (IoU) para la detección de objetos YOLO26?#

La Intersección sobre Unión (IoU) mide la superposición entre los cuadros delimitadores previstos y los reales. Los valores de IoU oscilan entre 0 y 1, donde los valores más altos indican una mejor precisión de localización. Una IoU de 1.0 significa una alineación perfecta. Normalmente, se utiliza un umbral de IoU de 0.50 para definir verdaderos positivos en métricas como la mAP. Los valores de IoU más bajos sugieren que el modelo tiene dificultades con la localización precisa de objetos, lo que puede mejorarse refinando la regresión de los cuadros delimitadores o aumentando la precisión de la anotación en tu conjunto de datos de entrenamiento.

Link to this section¿Por qué es importante la puntuación F1 para evaluar los modelos YOLO26 en la detección de objetos?#

La puntuación F1 es importante para evaluar los modelos YOLO26 porque proporciona una media armónica de precisión y exhaustividad, equilibrando tanto los falsos positivos como los falsos negativos. Es especialmente valiosa cuando se trabaja con conjuntos de datos desequilibrados o aplicaciones donde la precisión o la exhaustividad por sí solas no son suficientes. Una puntuación F1 alta indica que el modelo detecta objetos eficazmente mientras minimiza tanto las detecciones omitidas como las falsas alarmas, lo que la hace adecuada para aplicaciones críticas como sistemas de seguridad e imágenes médicas.

Link to this section¿Cuáles son las ventajas clave de usar Ultralytics YOLO26 para la detección de objetos en tiempo real?#

Ultralytics YOLO26 ofrece múltiples ventajas para la detección de objetos en tiempo real:

• Velocidad y eficiencia: Optimizado para inferencia de alta velocidad, adecuado para aplicaciones que requieren baja latencia.
• Alta precisión: El algoritmo avanzado garantiza puntuaciones altas de mAP y IoU, equilibrando la precisión y la exhaustividad.
• Flexibilidad: Admite varias tareas, incluyendo detección de objetos, segmentación de instancias, segmentación semántica y clasificación.
• Facilidad de uso: Interfaces fáciles de usar, documentación extensa e integración perfecta con herramientas como Ultralytics Platform (Inicio rápido de la plataforma).

Esto hace que YOLO26 sea ideal para diversas aplicaciones, desde vehículos autónomos hasta soluciones de ciudades inteligentes.

Link to this section¿Cómo pueden ayudar las métricas de validación de YOLO26 a mejorar el rendimiento del modelo?#

Las métricas de validación de YOLO26 como la precisión, la exhaustividad, la mAP y la IoU ayudan a diagnosticar y mejorar el rendimiento del modelo proporcionando información sobre diferentes aspectos de la detección:

• Precisión: Ayuda a identificar y minimizar los falsos positivos.
• Exhaustividad (Recall): Garantiza que se detecten todos los objetos relevantes.
• mAP: Ofrece una instantánea general del rendimiento, guiando las mejoras generales.
• IoU: Ayuda a ajustar con precisión la exactitud de la localización de objetos.

Al analizar estas métricas, se pueden abordar debilidades específicas, como ajustar los umbrales de confianza para mejorar la precisión o recopilar datos más diversos para mejorar la exhaustividad. Para obtener explicaciones detalladas de estas métricas y cómo interpretarlas, consulta Métricas de detección de objetos y considera implementar el ajuste de hiperparámetros para optimizar tu modelo.