Analyse approfondie des métriques de performance#

Introduction#

Les métriques de performance sont des outils essentiels pour évaluer la précision et l’efficacité des modèles de détection d’objets. Elles montrent dans quelle mesure un modèle peut identifier et localiser efficacement des objets dans des images. Elles aident également à comprendre comment le modèle gère les faux positifs et les faux négatifs. Ces informations sont cruciales pour évaluer et améliorer les performances du modèle. Dans ce guide, nous allons explorer différentes métriques de performance associées à YOLO26, leur importance et la manière de les interpréter.

Métriques de détection d’objets#

Commençons par examiner certaines métriques importantes non seulement pour YOLO26, mais aussi pour différents modèles de détection d’objets.

• Intersection sur l’union (IoU) : l’IoU mesure le chevauchement entre une boîte englobante prédite et une boîte englobante de référence. Cette métrique joue un rôle fondamental dans l’évaluation de la précision de la localisation des objets.

• Précision moyenne (AP) : l’AP calcule l’aire sous la courbe précision-rappel et fournit une valeur unique qui résume les performances du modèle en matière de précision et de rappel.

• Précision moyenne (mAP) : la mAP prolonge le concept d’AP en calculant la moyenne des valeurs d’AP sur plusieurs classes d’objets. Cette métrique est utile dans les scénarios de détection multi-classes pour fournir une évaluation complète des performances du modèle.

• Précision et rappel : la précision mesure la proportion de vrais positifs parmi toutes les prédictions positives et évalue la capacité du modèle à éviter les faux positifs. Le rappel, quant à lui, calcule la proportion de vrais positifs parmi tous les positifs réels et mesure la capacité du modèle à détecter toutes les instances d’une classe.

• Score F1 : le score F1 est la moyenne harmonique de la précision et du rappel. Il fournit une évaluation équilibrée des performances du modèle en tenant compte à la fois des faux positifs et des faux négatifs.

Comment calculer les métriques pour un modèle YOLO26#

Nous pouvons maintenant examiner le mode Validation de YOLO26, qui permet de calculer les métriques d’évaluation présentées ci-dessus.

Le mode Validation est simple à utiliser. Une fois ton modèle entraîné, tu peux appeler la fonction model.val(). Cette fonction traite alors le jeu de données de validation et renvoie différentes métriques de performance. Mais que signifient ces métriques ? Et comment les interpréter ?

Interprétation des résultats#

Examinons les résultats de la fonction model.val() et comprenons chaque partie de sa sortie.

Métriques par classe#

Les résultats comprennent notamment une ventilation des métriques de performance par classe. Ces informations détaillées sont utiles pour comprendre les performances du modèle pour chaque classe, en particulier dans les jeux de données comportant une grande diversité de catégories d’objets. Pour chaque classe du jeu de données, les éléments suivants sont fournis :

• Classe : indique le nom de la classe d’objets, par exemple « personne », « voiture » ou « chien ».

• Images : cette métrique indique le nombre d’images de l’ensemble de validation qui contiennent la classe d’objets.

• Instances : indique le nombre de fois où la classe apparaît dans l’ensemble des images de validation.

• Boîte (P, R, mAP50, mAP50-95) : cette métrique donne des indications sur les performances du modèle en matière de détection d’objets :

  • P (précision) : précision des objets détectés, qui indique combien de détections sont correctes.

  • R (rappel) : capacité du modèle à identifier toutes les instances d’objets dans les images.

  • mAP50 : précision moyenne calculée avec un seuil d’intersection sur l’union (IoU) de 0,50. Elle mesure la précision du modèle en ne tenant compte que des détections « faciles ».

  • mAP50-95 : moyenne des précisions moyennes calculées à différents seuils IoU, de 0,50 à 0,95. Elle donne une vue d’ensemble des performances du modèle à différents niveaux de difficulté de détection.

Métriques de vitesse#

La vitesse d’inférence peut être aussi importante que la précision, en particulier pour la détection d’objets en temps réel. Cette section détaille le temps nécessaire aux différentes étapes du processus de validation, du prétraitement au post-traitement.

Évaluation des métriques COCO#

Pour les utilisateurs qui effectuent une validation sur le jeu de données COCO, des métriques supplémentaires sont calculées à l’aide du script d’évaluation COCO. Ces métriques renseignent sur la précision et le rappel à différents seuils IoU et pour des objets de différentes tailles.

Résultats visuels#

Outre les métriques numériques, la fonction model.val() produit également des résultats visuels qui permettent de mieux comprendre intuitivement les performances du modèle. Voici les résultats visuels auxquels tu peux t’attendre :

• Courbe du score F1 (BoxF1_curve.png) : cette courbe représente le score F1 selon différents seuils. Son interprétation peut donner des indications sur l'équilibre du modèle entre faux positifs et faux négatifs selon les seuils.

• Courbe précision-rappel (BoxPR_curve.png) : visualisation essentielle pour tout problème de classification, cette courbe montre les compromis entre la précision et le rappel selon différents seuils. Elle est particulièrement importante pour les classes déséquilibrées.

• Courbe de précision (BoxP_curve.png) : représentation graphique des valeurs de précision à différents seuils. Cette courbe aide à comprendre comment la précision évolue lorsque le seuil change.

• Courbe de rappel (BoxR_curve.png) : de même, ce graphique illustre l'évolution des valeurs de rappel selon différents seuils.

• Matrice de confusion (confusion_matrix.png) : la matrice de confusion donne une vue détaillée des résultats et présente le nombre de vrais positifs, de vrais négatifs, de faux positifs et de faux négatifs pour chaque classe.

• Matrice de confusion normalisée (confusion_matrix_normalized.png) : cette visualisation est une version normalisée de la matrice de confusion. Elle représente les données sous forme de proportions plutôt que de nombres bruts. Ce format facilite la comparaison des performances entre les classes.

• Étiquettes des lots de validation (val_batchX_labels.jpg) : ces images représentent les étiquettes de référence de différents lots du jeu de données de validation. Elles montrent clairement quels sont les objets et où ils se trouvent selon le jeu de données.

• Prédictions des lots de validation (val_batchX_pred.jpg) : contrairement aux images d'étiquettes, ces visuels présentent les prédictions du modèle YOLO26 pour les lots correspondants. En les comparant aux images d'étiquettes, tu peux facilement évaluer visuellement la capacité du modèle à détecter et à classer les objets.

Pour les tâches de détection, de segmentation et de pose, les noms des courbes commencent par le type de métrique : la détection écrit les courbes Box*, la segmentation écrit les courbes Box* et Mask*, et la pose écrit les courbes Box* et Pose*.

Stockage des résultats#

Pour pouvoir les consulter ultérieurement, les résultats sont enregistrés dans un répertoire, généralement nommé runs/detect/val.

Choisir les bonnes métriques#

Le choix des bonnes métriques d'évaluation dépend souvent de l'application concernée.

• mAP : convient à une évaluation générale des performances du modèle.

• IoU : essentielle lorsque la localisation précise des objets est cruciale.

• Précision : importante lorsqu'il est prioritaire de réduire les fausses détections.

• Rappel : essentiel lorsqu'il est important de détecter chaque occurrence d'un objet.

• Score F1 : utile lorsqu'il faut équilibrer précision et rappel.

Pour les applications en temps réel, les métriques de vitesse comme le nombre d'images par seconde (FPS) et la latence sont cruciales pour garantir des résultats rapides.

Interprétation des résultats#

Il est important de comprendre les métriques. Voici ce que peuvent indiquer certains scores faibles fréquemment observés :

• mAP faible : indique que le modèle a peut-être besoin d'améliorations générales.

• IoU faible : le modèle peut avoir du mal à localiser précisément les objets. Différentes méthodes de délimitation pourraient aider.

• Précision faible : le modèle détecte peut-être trop d'objets inexistants. Ajuster les seuils de confiance pourrait réduire ce nombre.

• Rappel faible : le modèle pourrait manquer des objets réels. Améliorer l'extraction de caractéristiques ou utiliser davantage de données pourrait aider.

• Score F1 déséquilibré : il existe un écart entre la précision et le rappel.

• AP par classe : des scores faibles peuvent révéler les classes qui posent problème au modèle.

Études de cas#

Des exemples concrets peuvent aider à comprendre comment ces métriques fonctionnent en pratique.

Cas 1#

• Situation : la mAP et le score F1 sont sous-optimaux, et le rappel est bon, mais pas la précision.

• Interprétation et action : il y a peut-être trop de détections incorrectes. Relever les seuils de confiance pourrait les réduire, mais aussi diminuer légèrement le rappel.

Cas 2#

• Situation : la mAP et le rappel sont acceptables, mais l'IoU est faible.

• Interprétation et action : le modèle détecte bien les objets, mais ne les localise peut-être pas avec précision. Affiner les prédictions des boîtes englobantes pourrait aider.

Cas 3#

• Situation : certaines classes ont une AP bien inférieure à celle d'autres classes, même si la mAP globale est correcte.

• Interprétation et action : ces classes sont peut-être plus difficiles pour le modèle. Utiliser davantage de données pour ces classes ou ajuster les poids des classes pendant l'entraînement pourrait être bénéfique.

Échanger et collaborer#

T'appuyer sur une communauté de passionnés et d'experts peut enrichir ton expérience avec YOLO26. Voici quelques pistes pour apprendre, résoudre des problèmes et élargir ton réseau.

Participer à la communauté au sens large#

• Problèmes GitHub : le dépôt Ultralytics sur GitHub comprend un onglet Issues où tu peux poser des questions, signaler des bogues et suggérer de nouvelles fonctionnalités. La communauté et les responsables du dépôt y sont actifs ; c'est un excellent endroit pour obtenir de l'aide sur des problèmes précis.

• Serveur Discord Ultralytics : Ultralytics dispose d'un serveur Discord où tu peux échanger avec d'autres utilisateurs et les développeurs.

Documentation et ressources officielles#

• Documentation Ultralytics YOLO26 : la documentation officielle présente YOLO26 de manière exhaustive et propose des guides d'installation, d'utilisation et de dépannage.

Ces ressources t'aideront non seulement à surmonter les difficultés, mais aussi à te tenir au courant des dernières tendances et des bonnes pratiques de la communauté YOLO26.

Conclusion#

Dans ce guide, nous avons examiné en détail les principales métriques de performance de YOLO26. Ces métriques sont essentielles pour comprendre les performances d'un modèle et indispensables à toute personne souhaitant affiner ses modèles. Elles fournissent les informations nécessaires aux améliorations et permettent de s'assurer que le modèle fonctionne efficacement dans des situations réelles.

N'oublie pas que la communauté YOLO26 et Ultralytics est une ressource inestimable. Échanger avec d'autres développeurs et experts peut ouvrir la voie à des idées et à des solutions absentes de la documentation standard. Tout au long de ton parcours en détection d'objets, continue d'apprendre, teste de nouvelles stratégies et partage tes découvertes. Tu contribueras ainsi au savoir collectif de la communauté et à son développement.

FAQ#