Link to this sectionPlongée dans les métriques de performance#

Link to this sectionIntroduction#

Les métriques de performance sont des outils clés pour évaluer la précision et l'efficacité des modèles de détection d'objets. Elles mettent en lumière la capacité d'un modèle à identifier et à localiser efficacement les objets dans les images. De plus, elles aident 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 explorerons diverses métriques de performance associées à YOLO26, leur signification et la manière de les interpréter.

Link to this sectionMétriques de détection d'objets#

Commençons par discuter de certaines métriques qui sont non seulement importantes pour YOLO26, mais également largement applicables à différents modèles de détection d'objets.

• Intersection sur Union (IoU) : L'IoU est une mesure qui quantifie le chevauchement entre une bounding box prédite et une bounding box 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, fournissant une valeur unique qui résume la performance du modèle en termes de précision et de rappel.

• Précision Moyenne Moyenne (mAP) : La mAP étend le concept d'AP en calculant la moyenne des valeurs d'AP sur plusieurs classes d'objets. Cela est utile dans les scénarios de détection d'objets multi-classes pour fournir une évaluation complète de la performance du modèle.

• Précision et Rappel : La précision quantifie la proportion de vrais positifs parmi toutes les prédictions positives, évaluant la capacité du modèle à éviter les faux positifs. D'un autre côté, le rappel calcule la proportion de vrais positifs parmi tous les positifs réels, mesurant 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, offrant une évaluation équilibrée de la performance d'un modèle tout en tenant compte à la fois des faux positifs et des faux négatifs.

Link to this sectionComment calculer les métriques pour le modèle YOLO26#

Maintenant, nous pouvons explorer le mode de validation de YOLO26 qui peut être utilisé pour calculer les métriques d'évaluation discutées ci-dessus.

Utiliser le mode de validation est simple. Une fois que tu as un modèle entraîné, tu peux appeler la fonction model.val(). Cette fonction traitera ensuite le jeu de données de validation et retournera une variété de métriques de performance. Mais que signifient ces métriques ? Et comment dois-tu les interpréter ?

Link to this sectionInterprétation des résultats#

Analysons le résultat de la fonction model.val() et comprenons chaque segment de la sortie.

Link to this sectionMétriques par classe#

L'une des sections du résultat est la ventilation des métriques de performance par classe. Cette information granulaire est utile lorsque tu essaies de comprendre comment le modèle se comporte pour chaque classe spécifique, surtout dans les jeux de données avec une gamme diversifiée de catégories d'objets. Pour chaque classe du jeu de données, les éléments suivants sont fournis :

• Classe : Cela désigne le nom de la classe d'objet, comme "personne", "voiture" ou "chien".

• Images : Cette métrique t'indique le nombre d'images dans le jeu de données de validation qui contiennent la classe d'objet.

• Instances : Cela fournit le décompte du nombre de fois où la classe apparaît à travers toutes les images du jeu de données de validation.

• Box(P, R, mAP50, mAP50-95) : Cette métrique donne un aperçu de la performance du modèle dans la détection des objets :

  • P (Précision) : La précision des objets détectés, indiquant combien de détections étaient correctes.

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

  • mAP50 : Précision moyenne calculée à un seuil d'intersection sur union (IoU) de 0,50. C'est une mesure de la précision du modèle ne considérant que les détections "faciles".

  • mAP50-95 : La moyenne de la précision moyenne calculée à divers seuils d'IoU, allant de 0,50 à 0,95. Elle donne une vision complète de la performance du modèle à différents niveaux de difficulté de détection.

Link to this sectionMétriques de vitesse#

La vitesse d'inférence peut être aussi critique que la précision, surtout dans les scénarios de détection d'objets en temps réel. Cette section décompose le temps pris pour diverses étapes du processus de validation, du prétraitement au post-traitement.

Link to this sectionÉvaluation des métriques COCO#

Pour les utilisateurs validant sur le jeu de données COCO, des métriques supplémentaires sont calculées en utilisant le script d'évaluation COCO. Ces métriques donnent des aperçus sur la précision et le rappel à différents seuils d'IoU et pour des objets de différentes tailles.

Link to this sectionSorties visuelles#

La fonction model.val(), en dehors de produire des métriques numériques, génère également des sorties visuelles qui peuvent fournir une compréhension plus intuitive de la performance du modèle. Voici une ventilation des sorties visuelles auxquelles tu peux t'attendre :

• Courbe du score F1 (BoxF1_curve.png) : Cette courbe représente le score F1 à travers divers seuils. L'interprétation de cette courbe peut offrir des aperçus sur l'équilibre du modèle entre les faux positifs et les faux négatifs sur différents seuils.

• Courbe Précision-Rappel (BoxPR_curve.png) : Une visualisation intégrale pour tout problème de classification, cette courbe présente les compromis entre la précision et le rappel à des seuils variés. Elle devient particulièrement significative lors du traitement de classes déséquilibrées.

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

• Courbe de rappel (BoxR_curve.png) : De manière correspondante, ce graphique illustre comment les valeurs de rappel changent à travers différents seuils.

• Matrice de confusion (confusion_matrix.png) : La matrice de confusion fournit une vue détaillée des résultats, présentant les décomptes des vrais positifs, vrais négatifs, faux positifs et 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 en proportions plutôt qu'en décomptes bruts. Ce format rend plus simple la comparaison des performances entre les classes.

• Étiquettes de batch de validation (val_batchX_labels.jpg) : Ces images représentent les étiquettes de vérité terrain pour des batchs distincts du jeu de données de validation. Elles fournissent une image claire de ce que sont les objets et de leurs emplacements respectifs selon le jeu de données.

• Prédictions de batch de validation (val_batchX_pred.jpg) : Contrastant avec les images d'étiquettes, ces visuels affichent les prédictions faites par le modèle YOLO26 pour les batchs respectifs. En comparant cela aux images d'étiquettes, tu peux facilement évaluer à quel point le modèle détecte et classifie les objets visuellement.

Pour les tâches de détection, segmentation, et pose, les tracés de courbes sont préfixés par type de métrique : la détection écrit des courbes Box*, la segmentation écrit à la fois des courbes Box* et Mask*, et la pose écrit à la fois des courbes Box* et Pose*.

Link to this sectionStockage des résultats#

Pour référence future, les résultats sont enregistrés dans un répertoire, généralement nommé runs/detect/val.

Link to this sectionChoisir les bonnes métriques#

Choisir les bonnes métriques à évaluer dépend souvent de l'application spécifique.

• mAP : Adapté à une évaluation large de la performance du modèle.

• IoU : Essentiel lorsque la localisation précise de l'objet est cruciale.

• Précision : Important lorsque minimiser les fausses détections est une priorité.

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

• Score F1 : Utile lorsqu'un équilibre entre précision et rappel est nécessaire.

Pour les applications en temps réel, les métriques de vitesse comme les FPS (images par seconde) et la latence sont cruciales pour assurer des résultats opportuns.

Link to this sectionInterprétation des résultats#

Il est important de comprendre les métriques. Voici ce que certains scores bas fréquemment observés pourraient suggérer :

• mAP faible : Indique que le modèle pourrait avoir besoin de raffinements généraux.

• IoU faible : Le modèle pourrait peiner à localiser précisément les objets. Différentes méthodes de bounding box pourraient aider.

• Précision faible : Le modèle pourrait détecter trop d'objets inexistants. Ajuster les seuils de confiance pourrait réduire cela.

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

• Score F1 déséquilibré : Il y a une disparité entre la précision et le rappel.

• AP spécifique à une classe : Des scores bas ici peuvent mettre en évidence les classes avec lesquelles le modèle a des difficultés.

Link to this sectionÉtudes de cas#

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

Link to this sectionCas 1#

• Situation : La mAP et le Score F1 sont sous-optimaux, mais bien que le rappel soit bon, la précision ne l'est pas.

• Interprétation & Action : Il pourrait y avoir trop de détections incorrectes. Resserrer les seuils de confiance pourrait les réduire, bien que cela puisse aussi légèrement diminuer le rappel.

Link to this sectionCas 2#

• Situation : La mAP et le rappel sont acceptables, mais l'IoU fait défaut.

• Interprétation & Action : Le modèle détecte bien les objets mais pourrait ne pas les localiser précisément. Raffiner les prédictions de bounding box pourrait aider.

Link to this sectionCas 3#

• Situation : Certaines classes ont une AP beaucoup plus basse que d'autres, même avec une mAP globale correcte.

• Interprétation & Action : Ces classes pourraient être plus difficiles pour le modèle. Utiliser plus de données pour ces classes ou ajuster les poids des classes pendant l'entraînement pourrait être bénéfique.

Link to this sectionConnecte-toi et collabore#

Puiser dans une communauté de passionnés et d'experts peut amplifier ton aventure avec YOLO26. Voici quelques avenues qui peuvent faciliter l'apprentissage, le dépannage et le réseautage.

Link to this sectionInteragis avec la communauté au sens large#

• GitHub Issues : Le dépôt YOLO26 sur GitHub possède un onglet Issues 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 interagir avec d'autres utilisateurs et les développeurs.

Link to this sectionDocumentation officielle et ressources :#

• Docs Ultralytics YOLO26 : La documentation officielle fournit une vue d'ensemble complète de YOLO26, accompagnée de guides sur l'installation, l'utilisation et le dépannage.

Utiliser ces ressources ne te guidera pas seulement à travers tes défis, mais te gardera également au courant des dernières tendances et meilleures pratiques dans la communauté YOLO26.

Link to this sectionConclusion#

Dans ce guide, nous avons examiné de près les métriques de performance essentielles pour YOLO26. Ces métriques sont clés pour comprendre à quel point un modèle est performant et sont vitales pour quiconque cherchant à affiner ses modèles. Elles offrent les informations nécessaires pour des améliorations et pour s'assurer que le modèle fonctionne efficacement dans des situations réelles.

Souviens-toi, la communauté YOLO26 et Ultralytics est un atout inestimable. S'impliquer avec d'autres développeurs et experts peut ouvrir des portes vers des idées et des solutions non trouvées dans la documentation standard. Au fur et à mesure que tu progresses dans la détection d'objets, garde l'esprit d'apprentissage vivant, expérimente avec de nouvelles stratégies et partage tes découvertes. En faisant ainsi, tu contribues à la sagesse collective de la communauté et assures sa croissance.

Link to this sectionFAQ#

Link to this sectionQuelle est la signification de la Précision Moyenne Moyenne (mAP) dans l'évaluation de la performance du modèle YOLO26 ?#

La Précision Moyenne Moyenne (mAP) est cruciale pour évaluer les modèles YOLO26 car elle fournit une métrique unique englobant la précision et le rappel sur plusieurs classes. mAP@0.50 mesure la précision à un seuil d'IoU de 0,50, se concentrant sur la capacité du modèle à détecter correctement les objets. mAP@0.50:0.95 fait la moyenne de la précision sur une gamme de seuils d'IoU, offrant une évaluation complète de la performance de détection. Des scores de mAP élevés indiquent que le modèle équilibre efficacement la précision et le rappel, ce qui est essentiel pour des applications comme la conduite autonome et les systèmes de surveillance où tant la détection précise que le minimum de fausses alertes sont critiques.

Link to this sectionComment interpréter la valeur de l'Intersection sur Union (IoU) pour la détection d'objets YOLO26 ?#

L'Intersection sur Union (IoU) mesure le chevauchement entre les bounding boxes prédites et celles de vérité terrain. Les valeurs d'IoU vont de 0 à 1, où des valeurs plus élevées indiquent une meilleure précision de localisation. Un IoU de 1,0 signifie un alignement parfait. Typiquement, un seuil d'IoU de 0,50 est utilisé pour définir les vrais positifs dans des métriques comme la mAP. Des valeurs d'IoU plus faibles suggèrent que le modèle peine avec la localisation précise des objets, ce qui peut être amélioré en affinant la régression des bounding boxes ou en augmentant la précision de l'annotation dans ton jeu de données d'entraînement.

Link to this sectionPourquoi le Score F1 est-il important pour évaluer les modèles YOLO26 dans la détection d'objets ?#

Le Score F1 est important pour évaluer les modèles YOLO26 car il fournit une moyenne harmonique de la précision et du rappel, équilibrant à la fois les faux positifs et les faux négatifs. Il est particulièrement précieux lorsqu'on traite des jeux de données déséquilibrés ou des applications où la précision ou le rappel seul est insuffisant. Un Score F1 élevé indique que le modèle détecte efficacement les objets tout en minimisant à la fois les détections manquées et les fausses alertes, ce qui le rend adapté à des applications critiques comme les systèmes de sécurité et l'imagerie médicale.

Link to this sectionQuels sont les avantages clés d'utiliser Ultralytics YOLO26 pour la détection d'objets en temps réel ?#

Ultralytics YOLO26 offre de multiples avantages pour la détection d'objets en temps réel :

• Vitesse et Efficacité : Optimisé pour une inférence à haute vitesse, adapté aux applications nécessitant une faible latence.
• Haute Précision : Un algorithme avancé assure des scores mAP et IoU élevés, équilibrant précision et rappel.
• Flexibilité : Prend en charge diverses tâches, notamment la détection d'objets, la segmentation d'instances, la segmentation sémantique et la classification.
• Facilité d'utilisation : Interfaces conviviales, documentation étendue et intégration transparente avec des outils comme Ultralytics Platform (Platform Quickstart).

Cela rend YOLO26 idéal pour diverses applications, des véhicules autonomes aux solutions de ville intelligente.

Link to this sectionComment les métriques de validation de YOLO26 peuvent-elles aider à améliorer la performance du modèle ?#

Les métriques de validation de YOLO26 comme la précision, le rappel, la mAP et l'IoU aident à diagnostiquer et à améliorer la performance du modèle en fournissant des aperçus sur différents aspects de la détection :

• Précision : Aide à identifier et minimiser les faux positifs.
• Rappel : Assure que tous les objets pertinents sont détectés.
• mAP : Offre un aperçu global de la performance, guidant les améliorations générales.
• IoU : Aide à affiner la précision de la localisation des objets.

En analysant ces métriques, des faiblesses spécifiques peuvent être ciblées, comme l'ajustement des seuils de confiance pour améliorer la précision ou la collecte de données plus diversifiées pour renforcer le rappel. Pour des explications détaillées de ces métriques et comment les interpréter, consulte Métriques de détection d'objets et envisage d'implémenter un réglage des hyperparamètres pour optimiser ton modèle.