Plongée au cœur des métriques de performance#

Introduction#

Les métriques de performance sont des outils essentiels pour évaluer l'exactitude et l'efficacité des modèles de détection d'objets. Elles indiquent dans quelle mesure un modèle peut identifier et localiser efficacement les objets dans les images. Elles permettent également de comprendre comment le modèle gère les faux positifs et les faux négatifs. Ces informations sont essentielles pour évaluer et améliorer les performances du modèle. Dans ce guide, nous examinerons 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 qui sont importantes non seulement pour YOLO26, mais qui s'appliquent également à de nombreux modèles de détection d'objets.

• Intersection sur Union (IoU) : l'IoU mesure le chevauchement entre une boîte englobante prédite et une boîte englobante de vérité terrain. Elle 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 étend le concept d'AP en calculant la moyenne des valeurs d'AP pour plusieurs classes d'objets. Cette métrique est utile dans les scénarios de détection d'objets multi-classes, car elle fournit une évaluation globale des performances du modèle.

• Précision et rappel : la précision quantifie la proportion de vrais positifs parmi toutes les prédictions positives et évalue la capacité du modèle à éviter les faux positifs. À l'inverse, le rappel 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 d'un 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.

L'utilisation du mode validation est simple. Une fois que tu disposes d'un modèle entraîné, tu peux appeler la fonction model.val(). Cette fonction traite ensuite le jeu de données de validation et renvoie différentes métriques de performance. Mais que signifient ces métriques et comment dois-tu les interpréter ?

Interprétation de la sortie#

Décomposons la sortie de la fonction model.val() pour comprendre chaque partie du résultat.

Métriques par classe#

Une des sections de la sortie présente les métriques de performance détaillées par classe. Ces informations granulaires sont utiles lorsque tu veux comprendre les performances du modèle pour chaque classe, notamment avec des jeux de données contenant 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, comme « person », « car » ou « dog ».

• 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 l'ensemble de validation.

• Box(P, R, mAP50, mAP50-95) : cette métrique fournit des informations sur les performances du modèle pour la détection des objets :

  • P (Précision) : exactitude des objets détectés, indiquant combien de détections sont correctes.

  • R (Rappel) : capacité du modèle à identifier toutes les instances d'objets présentes dans les images.

  • mAP50 : précision moyenne calculée avec un seuil d'intersection sur union (IoU) de 0.50. Il s'agit d'une mesure de l'exactitude du modèle qui ne prend en compte que les détections « faciles ».

  • mAP50-95 : moyenne de la précision moyenne calculée avec différents seuils d'IoU, compris entre 0.50 et 0.95. Elle fournit une vue d'ensemble des performances du modèle pour différents niveaux de difficulté de détection.

Métriques de vitesse#

La vitesse d'inférence peut être aussi importante que l'exactitude, en particulier dans les scénarios de 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 fournissent des informations sur la précision et le rappel pour différents seuils d'IoU et pour des objets de différentes tailles.

Sorties visuelles#

En plus de produire des métriques numériques, la fonction model.val() génère également des sorties visuelles qui permettent de mieux comprendre intuitivement les performances du modèle. Voici les sorties visuelles auxquelles tu peux t'attendre :

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

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

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

• Courbe de rappel (BoxR_curve.png) : de même, ce graphique illustre la variation des valeurs de rappel selon les différents seuils.

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

• 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 décomptes bruts, ce qui simplifie la comparaison des performances entre les classes.

• Étiquettes des lots de validation (val_batchX_labels.jpg) : ces images représentent les étiquettes de vérité terrain 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 visualisations affichent les prédictions effectuées par le 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 d'estimation de pose, les tracés des courbes sont préfixés 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 référence ultérieure, 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 globale des performances du modèle.

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

• Précision : importante lorsque la réduction des fausses détections est prioritaire.

• Rappel : indispensable lorsqu'il est important de détecter chaque instance d'un objet.

• Score F1 : utile lorsqu'un équilibre entre la précision et le rappel est nécessaire.

Pour les applications en temps réel, les métriques de vitesse comme les FPS (images par seconde) et la latence sont essentielles 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 : le modèle peut nécessiter des améliorations générales.

• IoU faible : le modèle peut avoir du mal à localiser précisément les objets. Différentes méthodes de boîtes englobantes pourraient être utiles.

• Précision faible : le modèle détecte peut-être trop d'objets inexistants. L'ajustement des seuils de confiance pourrait réduire ce problème.

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

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

• AP spécifique à la classe : des scores faibles peuvent mettre en évidence les classes avec lesquelles le modèle a des difficultés.

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, le rappel est bon, mais la précision ne l'est pas.

• Interprétation et action : il y a peut-être trop de détections incorrectes. Le resserrement des seuils de confiance pourrait les réduire, même s'il risque également de diminuer légèrement le rappel.

Cas 2#

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

• Interprétation et action : le modèle détecte bien les objets, mais leur localisation peut manquer de précision. Affiner les prédictions des boîtes englobantes pourrait aider.

Cas 3#

• Situation : certaines classes ont un AP bien inférieur à celui des autres, malgré une mAP globale 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.

Se connecter et collaborer#

T'appuyer sur une communauté de passionnés et d'experts peut enrichir ton parcours avec YOLO26. Voici quelques moyens de faciliter l'apprentissage, la résolution des problèmes et le réseautage.

Participer à la communauté au sens large#

• Problèmes GitHub : Le dépôt Ultralytics sur GitHub possède un onglet Problèmes où tu peux poser des questions, signaler des bugs et suggérer de nouvelles fonctionnalités. La communauté et les mainteneurs y sont actifs, et c'est un excellent endroit pour obtenir de l'aide sur des problèmes spécifiques.

• 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 fournit une vue d'ensemble complète de YOLO26, ainsi que des guides d'installation, d'utilisation et de dépannage.

Ces ressources t'aideront non seulement à surmonter les difficultés, mais te tiendront également 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 pour apporter des améliorations et s'assurer que le modèle fonctionne efficacement dans des situations réelles.

N'oublie pas que la communauté YOLO26 et Ultralytics constitue une ressource inestimable. Échanger avec d'autres développeurs et experts peut ouvrir l'accès à des informations et à des solutions absentes de la documentation standard. Au fil de ton parcours dans la détection d'objets, conserve ton goût de l'apprentissage, expérimente de nouvelles stratégies et partage tes résultats. Tu contribueras ainsi aux connaissances collectives de la communauté et à son développement.

FAQ#