मॉडल परीक्षण पर एक गाइड

परिचय

अपने मॉडल के प्रशिक्षण और मूल्यांकन के बाद, इसका परीक्षण करने का समय आ गया है। मॉडल परीक्षण में यह आकलन करना शामिल है कि यह वास्तविक दुनिया के परिदृश्यों में कितना अच्छा प्रदर्शन करता है। परीक्षण सटीकता, विश्वसनीयता, निष्पक्षता जैसे कारकों पर विचार करता है, और मॉडल के निर्णयों को समझना कितना आसान है। लक्ष्य यह सुनिश्चित करना है कि मॉडल इरादा के अनुसार प्रदर्शन करता है, अपेक्षित परिणाम देता है, और आपके आवेदन या परियोजना के समग्र उद्देश्य में फिट बैठता है।

मॉडल परीक्षण मॉडल मूल्यांकन के समान है, लेकिन वे कंप्यूटर दृष्टि परियोजना में दो अलग-अलग चरण हैं। मॉडल मूल्यांकन में मॉडल की सटीकता का आकलन करने के लिए मैट्रिक्स और भूखंड शामिल हैं। दूसरी ओर, मॉडल परीक्षण यह जांचता है कि मॉडल का सीखा व्यवहार अपेक्षाओं के समान है या नहीं। इस गाइड में, हम आपके कंप्यूटर विज़न मॉडल के परीक्षण के लिए रणनीतियों का पता लगाएंगे।

मॉडल परीक्षण बनाम मॉडल मूल्यांकन

सबसे पहले, आइए एक उदाहरण के साथ मॉडल मूल्यांकन और परीक्षण के बीच अंतर को समझें।

मान लीजिए कि आपने बिल्लियों और कुत्तों को पहचानने के लिए एक कंप्यूटर विज़न मॉडल को प्रशिक्षित किया है, और आप जानवरों की निगरानी के लिए इस मॉडल को पालतू जानवरों की दुकान पर तैनात करना चाहते हैं। मॉडल मूल्यांकन चरण के दौरान, आप सटीकता, सटीकता, स्मरण और F1 स्कोर जैसे मीट्रिक की गणना करने के लिए लेबल किए गए डेटासेट का उपयोग करते हैं. उदाहरण के लिए, किसी दिए गए डेटासेट में बिल्लियों और कुत्तों के बीच अंतर करने में मॉडल की सटीकता 98% हो सकती है।

मूल्यांकन के बाद, आप एक पालतू जानवर की दुकान से छवियों का उपयोग करके मॉडल का परीक्षण करते हैं कि यह अधिक विविध और यथार्थवादी परिस्थितियों में बिल्लियों और कुत्तों की कितनी अच्छी तरह पहचान करता है। आप जांचते हैं कि क्या यह बिल्लियों और कुत्तों को सही ढंग से लेबल कर सकता है जब वे आगे बढ़ रहे हैं, अलग-अलग प्रकाश स्थितियों में, या खिलौने या फर्नीचर जैसी वस्तुओं द्वारा आंशिक रूप से अस्पष्ट हैं। मॉडल परीक्षण जांचता है कि मॉडल नियंत्रित मूल्यांकन वातावरण के बाहर अपेक्षित व्यवहार करता है।

मॉडल परीक्षण की तैयारी

कंप्यूटर विज़न मॉडल डेटासेट से पैटर्न का पता लगाने, भविष्यवाणियां करने और उनके प्रदर्शन का मूल्यांकन करके सीखते हैं। इन डेटासेट को आमतौर पर वास्तविक दुनिया की स्थितियों का अनुकरण करने के लिए प्रशिक्षण और परीक्षण सेट में विभाजित किया जाता है। प्रशिक्षण डेटा मॉडल सिखाता है जबकि डेटा का परीक्षण इसकी सटीकता की पुष्टि करता है।

अपने मॉडल का परीक्षण करने से पहले ध्यान रखने योग्य दो बिंदु यहां दिए गए हैं:

• यथार्थवादी प्रतिनिधित्व: पहले अनदेखी परीक्षण डेटा उस डेटा के समान होना चाहिए जिसे मॉडल को तैनात करते समय संभालना होगा। यह मॉडल की क्षमताओं की यथार्थवादी समझ प्राप्त करने में मदद करता है।
• पर्याप्त आकार: परीक्षण डेटासेट का आकार इतना बड़ा होना चाहिए कि मॉडल कितना अच्छा प्रदर्शन करता है, इस बारे में विश्वसनीय अंतर्दृष्टि प्रदान कर सके।

अपने कंप्यूटर विजन मॉडल का परीक्षण

आपके कंप्यूटर विज़न मॉडल का परीक्षण करने और इसके प्रदर्शन को समझने के लिए यहां महत्वपूर्ण कदम उठाए गए हैं।

• पूर्वानुमान चलाएँ: परीक्षण डेटासेट पर पूर्वानुमान लगाने के लिए मॉडल का उपयोग करें।
• भविष्यवाणियों की तुलना करें: जांचें कि मॉडल की भविष्यवाणियां वास्तविक लेबल (जमीनी सच्चाई) से कितनी अच्छी तरह मेल खाती हैं।
• प्रदर्शन मेट्रिक्स की गणना करें: मॉडल की ताकत और कमजोरियों को समझने के लिए सटीकता, सटीकता, रिकॉल और F1 स्कोर जैसे मैट्रिक्स की गणना करें। परीक्षण इस बात पर केंद्रित है कि ये मीट्रिक वास्तविक दुनिया के प्रदर्शन को कैसे दर्शाती हैं।
• परिणामों की कल्पना करें: भ्रम मैट्रिसेस और आरओसी घटता जैसे दृश्य एड्स बनाएं। ये आपको उन विशिष्ट क्षेत्रों को खोजने में मदद करते हैं जहां मॉडल व्यावहारिक अनुप्रयोगों में अच्छा प्रदर्शन नहीं कर रहा है।

अगला, परीक्षण के परिणामों का विश्लेषण किया जा सकता है:

• गलत वर्गीकृत छवियां: उन छवियों को पहचानें और समीक्षा करें जिन्हें मॉडल ने यह समझने के लिए गलत तरीके से वर्गीकृत किया है कि यह कहां गलत हो रहा है।
• त्रुटि विश्लेषण: त्रुटियों के प्रकार (जैसे, झूठी सकारात्मक बनाम झूठी नकारात्मक) और उनके संभावित कारणों को समझने के लिए पूरी तरह से त्रुटि विश्लेषण करें।
• पूर्वाग्रह और निष्पक्षता: मॉडल की भविष्यवाणियों में किसी भी पूर्वाग्रह की जाँच करें। सुनिश्चित करें कि मॉडल डेटा के विभिन्न सबसेट में समान रूप से अच्छा प्रदर्शन करता है, खासकर अगर इसमें जाति, लिंग या आयु जैसी संवेदनशील विशेषताएं शामिल हैं।

अपने परीक्षण YOLOv8 को गढ़ना

अपने परीक्षण के लिए YOLOv8 मॉडल, आप सत्यापन मोड का उपयोग कर सकते हैं। यह मॉडल की ताकत और उन क्षेत्रों को समझने का एक सीधा तरीका है जिनमें सुधार की आवश्यकता है। साथ ही, आपको अपने परीक्षण डेटासेट को सही ढंग से प्रारूपित करना होगा YOLOv8. सत्यापन मोड का उपयोग करने के तरीके के बारे में अधिक जानकारी के लिए, मॉडल सत्यापन दस्तावेज़ पृष्ठ देखें।

का उपयोग करके YOLOv8 कई परीक्षण छवियों पर भविष्यवाणी करने के लिए

यदि आप अपने प्रशिक्षित का परीक्षण करना चाहते हैं YOLOv8 एक फ़ोल्डर में संग्रहीत कई छवियों पर मॉडल, आप आसानी से एक बार में ऐसा कर सकते हैं। सत्यापन मोड का उपयोग करने के बजाय, जिसका उपयोग आमतौर पर सत्यापन सेट पर मॉडल प्रदर्शन का मूल्यांकन करने और विस्तृत मीट्रिक प्रदान करने के लिए किया जाता है, हो सकता है कि आप अपने परीक्षण सेट में सभी छवियों पर पूर्वानुमान देखना चाहें। इसके लिए आप प्रेडिक्शन मोड का इस्तेमाल कर सकते हैं।

सत्यापन और भविष्यवाणी मोड के बीच अंतर

• सत्यापन मोड: ज्ञात लेबल (जमीनी सच्चाई) के खिलाफ भविष्यवाणियों की तुलना करके मॉडल के प्रदर्शन का मूल्यांकन करने के लिए उपयोग किया जाता है। यह सटीकता, सटीकता, याद और F1 स्कोर जैसे विस्तृत मीट्रिक प्रदान करता है।
• भविष्यवाणी मोड: पूर्वानुमान उत्पन्न करने के लिए मॉडल को नए, अनदेखे डेटा पर चलाने के लिए उपयोग किया जाता है। यह विस्तृत प्रदर्शन मीट्रिक प्रदान नहीं करता है, लेकिन आपको यह देखने की अनुमति देता है कि मॉडल वास्तविक दुनिया की छवियों पर कैसा प्रदर्शन करता है।

भागना YOLOv8 कस्टम प्रशिक्षण के बिना भविष्यवाणियां

यदि आप बुनियादी परीक्षण में रुचि रखते हैं YOLOv8 मॉडल यह समझने के लिए कि क्या कस्टम प्रशिक्षण के बिना आपके आवेदन के लिए इसका उपयोग किया जा सकता है, आप भविष्यवाणी मोड का उपयोग कर सकते हैं। जबकि मॉडल COCO जैसे डेटासेट पर पूर्व-प्रशिक्षित है, अपने स्वयं के डेटासेट पर भविष्यवाणियां चलाने से आपको यह पता चल सकता है कि यह आपके विशिष्ट संदर्भ में कितना अच्छा प्रदर्शन कर सकता है।

मशीन लर्निंग में ओवरफिटिंग और अंडरफिटिंग

मशीन लर्निंग मॉडल का परीक्षण करते समय, विशेष रूप से कंप्यूटर दृष्टि में, ओवरफिटिंग और अंडरफिटिंग के लिए देखना महत्वपूर्ण है। ये समस्याएं महत्वपूर्ण रूप से प्रभावित कर सकती हैं कि आपका मॉडल नए डेटा के साथ कितनी अच्छी तरह काम करता है।

ओवरफिटिंग

ओवरफिटिंग तब होती है जब आपका मॉडल प्रशिक्षण डेटा को बहुत अच्छी तरह से सीखता है, जिसमें शोर और विवरण शामिल हैं जो नए डेटा के लिए सामान्यीकृत नहीं होते हैं। कंप्यूटर दृष्टि में, इसका मतलब है कि आपका मॉडल प्रशिक्षण छवियों के साथ बहुत अच्छा कर सकता है लेकिन नए लोगों के साथ संघर्ष कर सकता है।

ओवरफिटिंग के संकेत

• उच्च प्रशिक्षण सटीकता, कम सत्यापन सटीकता: यदि आपका मॉडल प्रशिक्षण डेटा पर बहुत अच्छा प्रदर्शन करता है, लेकिन सत्यापन या परीक्षण डेटा पर खराब प्रदर्शन करता है, तो यह संभवतः ओवरफिटिंग है।
• दृश्य निरीक्षण: कभी-कभी, आप ओवरफिटिंग देख सकते हैं यदि आपका मॉडल मामूली बदलावों या छवियों में अप्रासंगिक विवरणों के प्रति बहुत संवेदनशील है।

अंडरफिटिंग

अंडरफिटिंग तब होती है जब आपका मॉडल डेटा में अंतर्निहित पैटर्न को कैप्चर नहीं कर सकता है। कंप्यूटर दृष्टि में, एक अंडरफिट मॉडल प्रशिक्षण छवियों में वस्तुओं को सही ढंग से पहचान भी नहीं सकता है।

अंडरफिटिंग के संकेत

• कम प्रशिक्षण सटीकता: यदि आपका मॉडल प्रशिक्षण सेट पर उच्च सटीकता प्राप्त नहीं कर सकता है, तो यह अंडरफिटिंग हो सकता है।
• दृश्य गलत वर्गीकरण: स्पष्ट विशेषताओं या वस्तुओं को पहचानने में लगातार विफलता अंडरफिटिंग का सुझाव देती है।

ओवरफिटिंग और अंडरफिटिंग को संतुलित करना

कुंजी ओवरफिटिंग और अंडरफिटिंग के बीच संतुलन खोजना है। आदर्श रूप से, एक मॉडल को प्रशिक्षण और सत्यापन डेटासेट दोनों पर अच्छा प्रदर्शन करना चाहिए। सही रणनीतियों को लागू करने के साथ-साथ मेट्रिक्स और दृश्य निरीक्षणों के माध्यम से नियमित रूप से अपने मॉडल के प्रदर्शन की निगरानी करना, आपको सर्वोत्तम परिणाम प्राप्त करने में मदद कर सकता है।

कंप्यूटर दृष्टि में डेटा रिसाव और इससे कैसे बचें

अपने मॉडल का परीक्षण करते समय, ध्यान में रखने वाली एक महत्वपूर्ण बात डेटा रिसाव है। डेटा रिसाव तब होता है जब प्रशिक्षण डेटासेट के बाहर की जानकारी गलती से मॉडल को प्रशिक्षित करने के लिए उपयोग की जाती है। प्रशिक्षण के दौरान मॉडल बहुत सटीक लग सकता है, लेकिन डेटा रिसाव होने पर यह नए, अनदेखी डेटा पर अच्छा प्रदर्शन नहीं करेगा।

क्यों होता है डेटा लीक

डेटा रिसाव स्पॉट करने के लिए मुश्किल हो सकता है और अक्सर प्रशिक्षण डेटा में छिपे पूर्वाग्रहों से आता है। कंप्यूटर दृष्टि में होने वाले कुछ सामान्य तरीके यहां दिए गए हैं:

• कैमरा पूर्वाग्रह: विभिन्न कोण, प्रकाश व्यवस्था, छाया और कैमरा आंदोलन अवांछित पैटर्न पेश कर सकते हैं।
• ओवरले बायस: छवियों में लोगो, टाइमस्टैम्प या अन्य ओवरले मॉडल को गुमराह कर सकते हैं।
• फ़ॉन्ट और ऑब्जेक्ट बायस: विशिष्ट फोंट या ऑब्जेक्ट जो अक्सर कुछ वर्गों में दिखाई देते हैं, मॉडल के सीखने को तिरछा कर सकते हैं।
• स्थानिय पूर्वाग्रह: अग्रभूमि-पृष्ठभूमि, बाउंडिंग बॉक्स वितरण और ऑब्जेक्ट स्थानों में असंतुलन प्रशिक्षण को प्रभावित कर सकता है।
• लेबल और डोमेन पूर्वाग्रह: गलत लेबल या डेटा प्रकारों में बदलाव से रिसाव हो सकता है।

डेटा रिसाव का पता लगाना

डेटा रिसाव का पता लगाने के लिए, आप यह कर सकते हैं:

• प्रदर्शन की जाँच करें: यदि मॉडल के परिणाम आश्चर्यजनक रूप से अच्छे हैं, तो यह लीक हो सकता है।
• फ़ीचर महत्व को देखें: यदि एक विशेषता दूसरों की तुलना में बहुत अधिक महत्वपूर्ण है, तो यह रिसाव का संकेत दे सकती है।
• दृश्य निरीक्षण: दोबारा जांचें कि मॉडल के निर्णय सहज रूप से समझ में आते हैं।
• डेटा पृथक्करण सत्यापित करें: सुनिश्चित करें कि किसी भी प्रसंस्करण से पहले डेटा सही ढंग से विभाजित किया गया था।

डेटा रिसाव से बचना

डेटा रिसाव को रोकने के लिए, विभिन्न कैमरों और परिवेशों से छवियों या वीडियो के साथ एक विविध डेटासेट का उपयोग करें। अपने डेटा की सावधानीपूर्वक समीक्षा करें और जांचें कि कोई छिपे हुए पूर्वाग्रह नहीं हैं, जैसे कि सभी सकारात्मक नमूने दिन के एक विशिष्ट समय पर लिए जा रहे हैं। डेटा रिसाव से बचने से आपके कंप्यूटर विज़न मॉडल को वास्तविक दुनिया की स्थितियों में अधिक विश्वसनीय और प्रभावी बनाने में मदद मिलेगी।

मॉडल परीक्षण के बाद क्या आता है

अपने मॉडल का परीक्षण करने के बाद, अगले चरण परिणामों पर निर्भर करते हैं। यदि आपका मॉडल अच्छा प्रदर्शन करता है, तो आप इसे वास्तविक दुनिया के वातावरण में तैनात कर सकते हैं। यदि परिणाम संतोषजनक नहीं हैं, तो आपको सुधार करने की आवश्यकता होगी। इसमें त्रुटियों का विश्लेषण करना, अधिक डेटा एकत्र करना, डेटा गुणवत्ता में सुधार करना, हाइपरपैरामीटर समायोजित करना और मॉडल को फिर से प्रशिक्षित करना शामिल हो सकता है।

एआई वार्तालाप में शामिल हों

कंप्यूटर दृष्टि उत्साही लोगों के समुदाय का हिस्सा बनने से समस्याओं को हल करने और अधिक कुशलता से सीखने में सहायता मिल सकती है। कनेक्ट करने, मदद लेने और अपने विचार साझा करने के कुछ तरीके यहां दिए गए हैं।

सामुदायिक संसाधन

• GitHub मुद्दे: का अन्वेषण करें YOLOv8 GitHub रिपॉजिटरी और प्रश्न पूछने, बग की रिपोर्ट करने और नई सुविधाओं का सुझाव देने के लिए मुद्दे टैब का उपयोग करें। समुदाय और अनुरक्षक बहुत सक्रिय हैं और मदद के लिए तैयार हैं।
• Ultralytics डिस्कॉर्ड सर्वर: में शामिल हों Ultralytics डिस्कॉर्ड सर्वर अन्य उपयोगकर्ताओं और डेवलपर्स के साथ चैट करने, समर्थन प्राप्त करने और अपने अनुभव साझा करने के लिए।

आधिकारिक दस्तावेज़ीकरण

• Ultralytics YOLOv8 दस्तावेज़ीकरण: बाहर की जाँच करें अफ़सर YOLOv8 विभिन्न कंप्यूटर दृष्टि परियोजनाओं पर विस्तृत गाइड और उपयोगी सुझावों के लिए दस्तावेज़ीकरण।

ये संसाधन आपको चुनौतियों को नेविगेट करने और कंप्यूटर दृष्टि समुदाय के भीतर नवीनतम रुझानों और प्रथाओं पर अपडेट रहने में मदद करेंगे।

सारांश में

भरोसेमंद कंप्यूटर दृष्टि मॉडल का निर्माण कठोर मॉडल परीक्षण पर निर्भर करता है। पहले से अनदेखी डेटा के साथ मॉडल का परीक्षण करके, हम इसका विश्लेषण कर सकते हैं और ओवरफिटिंग और डेटा रिसाव जैसी कमजोरियों का पता लगा सकते हैं। तैनाती से पहले इन मुद्दों को संबोधित करने से मॉडल को वास्तविक दुनिया के अनुप्रयोगों में अच्छा प्रदर्शन करने में मदद मिलती है। यह याद रखना महत्वपूर्ण है कि मॉडल परीक्षण मॉडल की दीर्घकालिक सफलता और प्रभावशीलता की गारंटी देने में मॉडल मूल्यांकन जितना ही महत्वपूर्ण है।

अक्सर पूछे जाने वाले प्रश्न

कंप्यूटर दृष्टि में मॉडल मूल्यांकन और मॉडल परीक्षण के बीच महत्वपूर्ण अंतर क्या हैं?

मॉडल मूल्यांकन और मॉडल परीक्षण एक कंप्यूटर दृष्टि परियोजना में अलग-अलग कदम हैं। मॉडल मूल्यांकन में सटीकता, सटीकता, याद और F1 स्कोर जैसे मैट्रिक्स की गणना करने के लिए एक लेबल डेटासेट का उपयोग करना शामिल है, जो एक नियंत्रित डेटासेट के साथ मॉडल के प्रदर्शन में अंतर्दृष्टि प्रदान करता है। दूसरी ओर, मॉडल परीक्षण, वास्तविक दुनिया के परिदृश्यों में मॉडल के प्रदर्शन का आकलन नए, अनदेखी डेटा पर लागू करके करता है, यह सुनिश्चित करता है कि मॉडल का सीखा व्यवहार मूल्यांकन वातावरण के बाहर अपेक्षाओं के साथ संरेखित हो। एक विस्तृत गाइड के लिए, कंप्यूटर विज़न प्रोजेक्ट के चरणों का संदर्भ लें।

मैं अपने परीक्षण कैसे कर सकता हूं Ultralytics YOLOv8 कई छवियों पर मॉडल?

अपने परीक्षण के लिए Ultralytics YOLOv8 कई छवियों पर मॉडल, आप भविष्यवाणी मोड का उपयोग कर सकते हैं। यह मोड आपको विस्तृत मीट्रिक प्रदान किए बिना भविष्यवाणियां उत्पन्न करने के लिए मॉडल को नए, अनदेखी डेटा पर चलाने की अनुमति देता है। यह एक फ़ोल्डर में संग्रहीत बड़े छवि सेट पर वास्तविक दुनिया के प्रदर्शन परीक्षण के लिए आदर्श है। प्रदर्शन मीट्रिक का मूल्यांकन करने के लिए, इसके बजाय सत्यापन मोड का उपयोग करें.

यदि मेरा कंप्यूटर विज़न मॉडल ओवरफिटिंग या अंडरफिटिंग के संकेत दिखाता है तो मुझे क्या करना चाहिए?

ओवरफिटिंग को संबोधित करने के लिए:

• ड्रॉपआउट जैसी नियमितीकरण तकनीक।
• प्रशिक्षण डेटासेट का आकार बढ़ाएँ।
• मॉडल आर्किटेक्चर को सरल करें।

अंडरफिटिंग को संबोधित करने के लिए:

• अधिक जटिल मॉडल का उपयोग करें।
• अधिक प्रासंगिक सुविधाएँ प्रदान करें।
• प्रशिक्षण पुनरावृत्तियों या युगों को बढ़ाएँ।

गलत वर्गीकृत छवियों की समीक्षा करें, पूरी तरह से त्रुटि विश्लेषण करें, और संतुलन बनाए रखने के लिए नियमित रूप से प्रदर्शन मीट्रिक ट्रैक करें। इन अवधारणाओं के बारे में अधिक जानकारी के लिए, ओवरफिटिंग और अंडरफिटिंग पर हमारे अनुभाग का अन्वेषण करें।

मैं कंप्यूटर दृष्टि में डेटा रिसाव का पता कैसे लगा सकता हूं और उससे कैसे बच सकता हूं?

डेटा रिसाव का पता लगाने के लिए:

• सत्यापित करें कि परीक्षण प्रदर्शन असामान्य रूप से उच्च नहीं है।
• अनपेक्षित इनसाइट के लिए सुविधा महत्व की जाँच करें.
• सहज रूप से मॉडल निर्णयों की समीक्षा करें।
• प्रसंस्करण से पहले सही डेटा विभाजन सुनिश्चित करें।

डेटा रिसाव से बचने के लिए:

• विभिन्न वातावरणों के साथ विविध डेटासेट का उपयोग करें।
• छिपे हुए पूर्वाग्रहों के लिए डेटा की सावधानीपूर्वक समीक्षा करें।
• प्रशिक्षण और परीक्षण सेट के बीच कोई अतिव्यापी जानकारी सुनिश्चित न करें।

डेटा रिसाव को रोकने के लिए विस्तृत रणनीतियों के लिए, कंप्यूटर विजन में डेटा रिसाव पर हमारे अनुभाग को देखें।

अपने कंप्यूटर विज़न मॉडल का परीक्षण करने के बाद मुझे क्या कदम उठाने चाहिए?

परीक्षण के बाद, यदि मॉडल प्रदर्शन परियोजना के लक्ष्यों को पूरा करता है, तो परिनियोजन के साथ आगे बढ़ें। यदि परिणाम असंतोषजनक हैं, तो विचार करें:

• त्रुटि विश्लेषण।
• अधिक विविध और उच्च गुणवत्ता वाला डेटा एकत्र करना।
• हाइपरपैरामीटर ट्यूनिंग।
• मॉडल को फिर से प्रशिक्षित करना।

वास्तविक दुनिया के अनुप्रयोगों में मॉडल प्रभावशीलता को परिष्कृत करने और बढ़ाने के लिए मॉडल परीक्षण बनाम मॉडल मूल्यांकन अनुभाग से अंतर्दृष्टि प्राप्त करें।

मैं कैसे चलाऊँ YOLOv8 कस्टम प्रशिक्षण के बिना भविष्यवाणियां?

आप पूर्व-प्रशिक्षित का उपयोग करके भविष्यवाणियां चला सकते हैं YOLOv8 अपने डेटासेट पर मॉडल यह देखने के लिए कि क्या यह आपकी एप्लिकेशन आवश्यकताओं के अनुरूप है। कस्टम प्रशिक्षण में गोता लगाए बिना प्रदर्शन परिणामों की त्वरित समझ प्राप्त करने के लिए भविष्यवाणी मोड का उपयोग करें।

टिप्पणियाँ