Link to this sectionApprofondimento sulle metriche di performance#

Link to this sectionIntroduzione#

Le metriche di performance sono strumenti fondamentali per valutare l'accuracy e l'efficienza dei modelli di object detection. Fanno luce su quanto efficacemente un modello riesca a identificare e localizzare oggetti all'interno delle immagini. Inoltre, aiutano a comprendere come il modello gestisca i falsi positivi e i falsi negativi. Queste intuizioni sono cruciali per valutare e migliorare le prestazioni del modello. In questa guida, esploreremo diverse metriche di performance associate a YOLO26, il loro significato e come interpretarle.

Link to this sectionMetriche per l'Object Detection#

Iniziamo parlando di alcune metriche che non sono solo importanti per YOLO26, ma sono ampiamente applicabili a diversi modelli di object detection.

• Intersection over Union (IoU): L'IoU è una misura che quantifica la sovrapposizione tra una bounding box prevista e una bounding box di ground truth. Svolge un ruolo fondamentale nella valutazione dell'accuratezza della localizzazione degli oggetti.

• Average Precision (AP): L'AP calcola l'area sotto la curva precision-recall, fornendo un singolo valore che racchiude le prestazioni di precision e recall del modello.

• Mean Average Precision (mAP): La mAP estende il concetto di AP calcolando i valori medi di AP su più classi di oggetti. È utile negli scenari di object detection multi-classe per fornire una valutazione completa delle prestazioni del modello.

• Precision e Recall: La precision quantifica la proporzione di veri positivi tra tutte le previsioni positive, valutando la capacità del modello di evitare i falsi positivi. D'altra parte, la recall calcola la proporzione di veri positivi tra tutti i positivi reali, misurando la capacità del modello di rilevare tutte le istanze di una classe.

• F1 Score: L'F1 Score è la media armonica di precision e recall, offrendo una valutazione equilibrata delle prestazioni di un modello tenendo conto sia dei falsi positivi che dei falsi negativi.

Link to this sectionCome calcolare le metriche per il modello YOLO26#

Ora possiamo esplorare la modalità di convalida di YOLO26, che può essere utilizzata per calcolare le metriche di valutazione discusse sopra.

Utilizzare la modalità di convalida è semplice. Una volta che hai un modello addestrato, puoi richiamare la funzione model.val(). Questa funzione elaborerà quindi il dataset di convalida e restituirà una varietà di metriche di performance. Ma cosa significano queste metriche? E come dovresti interpretarle?

Link to this sectionInterpretazione dell'output#

Analizziamo l'output della funzione model.val() e comprendiamo ogni segmento dell'output.

Link to this sectionMetriche per classe#

Una delle sezioni dell'output è la suddivisione delle metriche di performance per classe. Questa informazione granulare è utile quando stai cercando di capire quanto bene stia andando il modello per ogni specifica classe, specialmente in dataset con una gamma diversificata di categorie di oggetti. Per ogni classe nel dataset viene fornito quanto segue:

• Class: Indica il nome della classe dell'oggetto, come "person", "car" o "dog".

• Images: Questa metrica ti dice il numero di immagini nel set di convalida che contengono la classe dell'oggetto.

• Instances: Fornisce il conteggio di quante volte la classe appare in tutte le immagini nel set di convalida.

• Box(P, R, mAP50, mAP50-95): Questa metrica fornisce approfondimenti sulle prestazioni del modello nel rilevamento degli oggetti:

  • P (Precision): L'accuratezza degli oggetti rilevati, che indica quanti rilevamenti sono stati corretti.

  • R (Recall): La capacità del modello di identificare tutte le istanze di oggetti nelle immagini.

  • mAP50: Mean average precision calcolata a una soglia di Intersection over Union (IoU) di 0,50. È una misura dell'accuratezza del modello considerando solo i rilevamenti "facili".

  • mAP50-95: La media della mean average precision calcolata a varie soglie di IoU, che vanno da 0,50 a 0,95. Fornisce una visione completa delle prestazioni del modello attraverso diversi livelli di difficoltà di rilevamento.

Link to this sectionMetriche di velocità#

La velocità di inferenza può essere critica quanto l'accuratezza, specialmente negli scenari di object detection in tempo reale. Questa sezione analizza il tempo impiegato per varie fasi del processo di convalida, dal pre-processing al post-processing.

Link to this sectionValutazione delle metriche COCO#

Per gli utenti che effettuano la convalida sul dataset COCO, vengono calcolate metriche aggiuntive utilizzando lo script di valutazione COCO. Queste metriche forniscono approfondimenti su precision e recall a diverse soglie di IoU e per oggetti di dimensioni differenti.

Link to this sectionOutput visivi#

La funzione model.val(), oltre a produrre metriche numeriche, fornisce anche output visivi che possono offrire una comprensione più intuitiva delle prestazioni del modello. Ecco una panoramica degli output visivi che puoi aspettarti:

• F1 Score Curve (F1_curve.png): Questa curva rappresenta l'F1 score attraverso varie soglie. Interpretare questa curva può offrire approfondimenti sull'equilibrio del modello tra falsi positivi e falsi negativi su diverse soglie.

• Precision-Recall Curve (PR_curve.png): Una visualizzazione integrante per qualsiasi problema di classificazione, questa curva mostra i compromessi tra precision e recall a soglie variabili. Diventa particolarmente significativa quando si ha a che fare con classi sbilanciate.

• Precision Curve (P_curve.png): Una rappresentazione grafica dei valori di precision a soglie differenti. Questa curva aiuta a comprendere come la precision vari al variare della soglia.

• Recall Curve (R_curve.png): Corrispondentemente, questo grafico illustra come i valori di recall cambino attraverso diverse soglie.

• Confusion Matrix (confusion_matrix.png): La matrice di confusione fornisce una vista dettagliata dei risultati, mostrando i conteggi di veri positivi, veri negativi, falsi positivi e falsi negativi per ogni classe.

• Normalized Confusion Matrix (confusion_matrix_normalized.png): Questa visualizzazione è una versione normalizzata della matrice di confusione. Rappresenta i dati in proporzioni piuttosto che in conteggi grezzi. Questo formato rende più semplice confrontare le prestazioni tra le classi.

• Validation Batch Labels (val_batchX_labels.jpg): Queste immagini descrivono le etichette di ground truth per batch distinti dal dataset di convalida. Forniscono un quadro chiaro di quali siano gli oggetti e le loro rispettive posizioni secondo il dataset.

• Validation Batch Predictions (val_batchX_pred.jpg): In contrasto con le immagini delle etichette, questi visual mostrano le previsioni fatte dal modello YOLO26 per i rispettivi batch. Confrontandoli con le immagini delle etichette, puoi facilmente valutare quanto bene il modello rilevi e classifichi gli oggetti visivamente.

Link to this sectionArchiviazione dei risultati#

Per consultazioni future, i risultati vengono salvati in una directory, solitamente chiamata runs/detect/val.

Link to this sectionScegliere le metriche giuste#

Scegliere le metriche giuste da valutare spesso dipende dall'applicazione specifica.

• mAP: Adatto per una valutazione ampia delle prestazioni del modello.

• IoU: Essenziale quando la posizione precisa dell'oggetto è cruciale.

• Precision: Importante quando ridurre al minimo i falsi rilevamenti è una priorità.

• Recall: Vitale quando è importante rilevare ogni istanza di un oggetto.

• F1 Score: Utile quando è necessario un equilibrio tra precision e recall.

Per le applicazioni in tempo reale, le metriche di velocità come FPS (Frames Per Second) e latenza sono cruciali per garantire risultati tempestivi.

Link to this sectionInterpretazione dei risultati#

È importante comprendere le metriche. Ecco cosa potrebbero suggerire alcuni dei punteggi bassi comunemente osservati:

• Bassa mAP: Indica che il modello potrebbe aver bisogno di perfezionamenti generali.

• Bassa IoU: Il modello potrebbe avere difficoltà a individuare gli oggetti con precisione. Metodi di bounding box differenti potrebbero aiutare.

• Bassa Precision: Il modello potrebbe rilevare troppi oggetti inesistenti. Regolare le soglie di confidenza potrebbe ridurre questo problema.

• Bassa Recall: Il modello potrebbe perdere oggetti reali. Migliorare l'feature extraction o utilizzare più dati potrebbe aiutare.

• F1 Score sbilanciato: C'è una disparità tra precision e recall.

• AP specifica per classe: Punteggi bassi qui possono evidenziare le classi con cui il modello ha difficoltà.

Link to this sectionCasi studio#

Esempi del mondo reale possono aiutare a chiarire come funzionano queste metriche nella pratica.

Link to this sectionCaso 1#

• Situazione: mAP e F1 Score non sono ottimali, ma mentre la Recall è buona, la Precision non lo è.

• Interpretazione e azione: Potrebbero esserci troppi rilevamenti errati. Rendere più rigide le soglie di confidenza potrebbe ridurli, sebbene ciò possa anche diminuire leggermente la recall.

Link to this sectionCaso 2#

• Situazione: mAP e Recall sono accettabili, ma l'IoU è carente.

• Interpretazione e azione: Il modello rileva bene gli oggetti ma potrebbe non localizzarli con precisione. Perfezionare le previsioni delle bounding box potrebbe aiutare.

Link to this sectionCaso 3#

• Situazione: Alcune classi hanno una AP molto più bassa rispetto ad altre, anche con una mAP complessiva decente.

• Interpretazione e azione: Queste classi potrebbero essere più impegnative per il modello. Utilizzare più dati per queste classi o regolare i pesi delle classi durante l'addestramento potrebbe essere vantaggioso.

Link to this sectionConnettiti e collabora#

Sfruttare una comunità di appassionati ed esperti può amplificare il tuo percorso con YOLO26. Ecco alcune vie che possono facilitare l'apprendimento, la risoluzione dei problemi e il networking.

Link to this sectionInteragisci con la comunità più ampia#

• GitHub Issues: Il repository YOLO26 su GitHub ha una scheda Issues dove puoi porre domande, segnalare bug e suggerire nuove funzionalità. La comunità e i manutentori sono attivi qui, ed è un ottimo posto per ottenere aiuto con problemi specifici.

• Server Discord di Ultralytics: Ultralytics ha un server Discord dove puoi interagire con altri utenti e gli sviluppatori.

Link to this sectionDocumentazione e risorse ufficiali:#

• Documentazione di Ultralytics YOLO26: La documentazione ufficiale fornisce una panoramica completa di YOLO26, insieme a guide sull'installazione, sull'utilizzo e sulla risoluzione dei problemi.

Utilizzare queste risorse non solo ti guiderà attraverso eventuali sfide, ma ti terrà anche aggiornato con le ultime tendenze e le migliori pratiche nella comunità YOLO26.

Link to this sectionConclusione#

In questa guida, abbiamo esaminato da vicino le metriche di performance essenziali per YOLO26. Queste metriche sono fondamentali per capire quanto bene un modello stia funzionando e sono vitali per chiunque miri a perfezionare i propri modelli. Offrono le intuizioni necessarie per miglioramenti e per assicurarsi che il modello funzioni efficacemente in situazioni di vita reale.

Ricorda, la comunità YOLO26 e Ultralytics è una risorsa inestimabile. Interagire con colleghi sviluppatori ed esperti può aprire le porte a intuizioni e soluzioni non presenti nella documentazione standard. Mentre procedi nel tuo percorso attraverso l'object detection, mantieni vivo lo spirito di apprendimento, sperimenta con nuove strategie e condividi le tue scoperte. Così facendo, contribuisci alla saggezza collettiva della comunità e ne assicuri la crescita.

Link to this sectionFAQ#

Link to this sectionQual è il significato della Mean Average Precision (mAP) nella valutazione delle prestazioni del modello YOLO26?#

La Mean Average Precision (mAP) è cruciale per valutare i modelli YOLO26 in quanto fornisce una singola metrica che racchiude precision e recall su più classi. La mAP@0.50 misura la precision a una soglia di IoU di 0,50, concentrandosi sulla capacità del modello di rilevare correttamente gli oggetti. La mAP@0.50:0.95 calcola la media della precision su una gamma di soglie di IoU, offrendo una valutazione completa delle prestazioni di rilevamento. Punteggi di mAP elevati indicano che il modello bilancia efficacemente precision e recall, essenziale per applicazioni come la guida autonoma e i sistemi di sorveglianza dove sia il rilevamento accurato che i falsi allarmi minimi sono critici.

Link to this sectionCome interpreto il valore di Intersection over Union (IoU) per l'object detection con YOLO26?#

L'Intersection over Union (IoU) misura la sovrapposizione tra le bounding box previste e quelle di ground truth. I valori di IoU vanno da 0 a 1, dove valori più alti indicano una migliore accuratezza di localizzazione. Un'IoU di 1,0 significa un allineamento perfetto. Tipicamente, una soglia di IoU di 0,50 viene utilizzata per definire i veri positivi in metriche come la mAP. Valori di IoU più bassi suggeriscono che il modello ha difficoltà con una localizzazione precisa dell'oggetto, che può essere migliorata perfezionando la regressione delle bounding box o aumentando l'accuratezza delle annotazioni nel tuo dataset di addestramento.

Link to this sectionPerché l'F1 Score è importante per valutare i modelli YOLO26 nell'object detection?#

L'F1 Score è importante per valutare i modelli YOLO26 perché fornisce una media armonica di precision e recall, bilanciando sia i falsi positivi che i falsi negativi. È particolarmente prezioso quando si ha a che fare con dataset sbilanciati o applicazioni dove la sola precision o la sola recall non sono sufficienti. Un F1 Score elevato indica che il modello rileva efficacemente gli oggetti minimizzando sia i rilevamenti mancati che i falsi allarmi, rendendolo adatto per applicazioni critiche come sistemi di sicurezza e imaging medico.

Link to this sectionQuali sono i principali vantaggi dell'utilizzo di Ultralytics YOLO26 per l'object detection in tempo reale?#

Ultralytics YOLO26 offre molteplici vantaggi per l'object detection in tempo reale:

• Velocità ed efficienza: Ottimizzato per inferenza ad alta velocità, adatto per applicazioni che richiedono bassa latenza.
• Alta accuratezza: L'algoritmo avanzato garantisce punteggi elevati di mAP e IoU, bilanciando precision e recall.
• Flessibilità: Supporta vari task tra cui object detection, instance segmentation, semantic segmentation e classification.
• Facilità d'uso: Interfacce user-friendly, documentazione estesa e integrazione senza soluzione di continuità con strumenti come Ultralytics Platform (Platform Quickstart).

Questo rende YOLO26 ideale per applicazioni diversificate, dai veicoli autonomi alle soluzioni per smart city.

Link to this sectionCome possono le metriche di convalida di YOLO26 aiutare a migliorare le prestazioni del modello?#

Le metriche di convalida di YOLO26 come precision, recall, mAP e IoU aiutano a diagnosticare e migliorare le prestazioni del modello fornendo approfondimenti su diversi aspetti del rilevamento:

• Precision: Aiuta a identificare e ridurre al minimo i falsi positivi.
• Recall: Assicura che tutti gli oggetti rilevanti vengano rilevati.
• mAP: Offre un'istantanea delle prestazioni complessive, guidando i miglioramenti generali.
• IoU: Aiuta a perfezionare l'accuratezza della localizzazione dell'oggetto.

Analizzando queste metriche, è possibile mirare a debolezze specifiche, come regolare le soglie di confidenza per migliorare la precision o raccogliere dati più diversificati per migliorare la recall. Per spiegazioni dettagliate di queste metriche e su come interpretarle, consulta Object Detection Metrics e considera l'implementazione del hyperparameter tuning per ottimizzare il tuo modello.