Link to this sectionパフォーマンスメトリクスの詳細解説#

Link to this sectionはじめに#

Performance metrics are key tools to evaluate the accuracy and efficiency of object detection models. They shed light on how effectively a model can identify and localize objects within images. Additionally, they help in understanding the model's handling of false positives and false negatives. These insights are crucial for evaluating and enhancing the model's performance. In this guide, we will explore various performance metrics associated with YOLO26, their significance, and how to interpret them.

Link to this section物体検出メトリクス#

まずは、YOLO26にとって重要であるだけでなく、さまざまな物体検出モデルに幅広く適用可能なメトリクスについて議論します。

• Intersection over Union (IoU): IoUは、予測されたバウンディングボックスと正解のバウンディングボックス間の重なりを定量化する指標です。これは、物体局所化の精度を評価する上で基本的な役割を果たします。

• 平均精度 (AP): APは、適合率-再現率曲線の下の面積を計算するもので、モデルの適合率と再現率の性能を単一の値で集約します。

• 平均適合率の平均 (mAP): mAPは、複数の物体クラスにわたってAP値を平均化することで、APの概念を拡張したものです。これは、マルチクラスの物体検出シナリオにおいて、モデルの性能を包括的に評価するのに役立ちます。

• 適合率 (Precision) と再現率 (Recall): 適合率は、すべての正の予測のうち真陽性が占める割合を定量化し、モデルの誤検出を回避する能力を評価します。一方、再現率は、すべての実際の正解のうち真陽性が占める割合を計算し、クラスの全インスタンスを検出するモデルの能力を測定します。

• F1スコア: F1スコアは、適合率と再現率の調和平均であり、偽陽性と偽陰性の両方を考慮しながら、モデルの性能をバランスよく評価します。

Link to this sectionYOLO26モデルのメトリクス計算方法#

次に、上記で議論した評価メトリクスを計算するために使用できるYOLO26の検証モードについて説明します。

検証モードの使い方は簡単です。学習済みモデルがあれば、model.val() 関数を呼び出すことができます。この関数は検証データセットを処理し、さまざまなパフォーマンスメトリクスを返します。しかし、これらのメトリクスは何を意味し、どのように解釈すべきなのでしょうか？

Link to this section出力の解釈#

model.val() 関数の出力を分解し、各セグメントの内容を理解しましょう。

Link to this sectionクラス別のメトリクス#

出力の一部に、クラスごとのパフォーマンスメトリクスの内訳があります。この粒度の細かい情報は、特に多様な物体カテゴリを含むデータセットにおいて、モデルが各特定のクラスに対してどれだけうまく機能しているかを理解しようとする際に役立ちます。データセット内の各クラスについて、以下が提供されます：

• Class: 「person」（人）、「car」（車）、「dog」（犬）などの物体クラス名を示します。

• Images: 検証セットの中で、その物体クラスを含む画像の数を示します。

• Instances: 検証セット全体のすべての画像において、そのクラスが何回出現するかを示します。

• Box(P, R, mAP50, mAP50-95): このメトリクスは、物体検出におけるモデルの性能に関する知見を提供します：

  • P (Precision / 適合率): 検出された物体の精度であり、何件の検出が正解であったかを示します。

  • R (Recall / 再現率): 画像内の物体の全インスタンスを特定するモデルの能力です。

  • mAP50: IoU閾値0.50で計算された平均適合率の平均です。これは、「簡単な」検出のみを考慮したモデルの精度尺度です。

  • mAP50-95: 0.50から0.95までのさまざまなIoU閾値で計算された平均適合率の平均値です。さまざまな検出難易度レベルにわたるモデルの性能を包括的に示します。

Link to this section速度メトリクス#

推論速度は、特にリアルタイム物体検出シナリオでは精度と同じくらい重要になることがあります。このセクションでは、前処理から後処理に至るまで、検証プロセスのさまざまな段階にかかる時間を分解して示します。

Link to this sectionCOCOメトリクスの評価#

COCOデータセットで検証を行うユーザー向けに、COCO評価スクリプトを使用して追加のメトリクスが計算されます。これらのメトリクスは、異なるIoU閾値における適合率と再現率、および異なるサイズの物体に対する性能への洞察を提供します。

Link to this section視覚的出力#

model.val() 関数は、数値メトリクスの生成だけでなく、モデルの性能をより直感的に理解できる視覚的出力も提供します。期待される視覚的出力の内訳は以下の通りです：

• F1スコア曲線 (F1_curve.png): この曲線は、さまざまな閾値にわたるF1スコアを表します。この曲線を解釈することで、異なる閾値における偽陽性と偽陰性のバランスに関する洞察を得ることができます。

• 適合率-再現率曲線 (PR_curve.png): あらゆる分類問題に不可欠な視覚化であり、さまざまな閾値における適合率と再現率のトレードオフを示します。特にクラスの不均衡がある場合に非常に重要となります。

• 適合率曲線 (P_curve.png): さまざまな閾値における適合率の値をグラフで表したものです。この曲線は、閾値の変化に伴って適合率がどのように変化するかを理解するのに役立ちます。

• 再現率曲線 (R_curve.png): これに対応して、このグラフはさまざまな閾値にわたって再現率がどのように変化するかを示します。

• 混同行列 (confusion_matrix.png): 混同行列は、各クラスの真陽性、真陰性、偽陽性、偽陰性の数を表示し、結果の詳細なビューを提供します。

• 正規化混同行列 (confusion_matrix_normalized.png): この視覚化は、混同行列の正規化バージョンです。生データではなく比率でデータを表現します。この形式により、クラス間の性能比較が容易になります。

• 検証バッチラベル (val_batchX_labels.jpg): これらの画像は、検証データセットからの個別のバッチに対する正解ラベルを描写したものです。データセットに従った物体の正体とその位置を明確に示します。

• 検証バッチ予測 (val_batchX_pred.jpg): ラベル画像とは対照的に、これらの視覚データは、それぞれのバッチに対するYOLO26モデルの予測結果を表示します。これらをラベル画像と比較することで、モデルが視覚的にどの程度正確に物体を検出・分類しているかを簡単に評価できます。

Link to this section結果の保存#

将来の参照のために、結果は通常 runs/detect/val という名前のディレクトリに保存されます。

Link to this section適切なメトリクスの選択#

何を評価するために適切なメトリクスを選択するかは、多くの場合特定のアプリケーションに依存します。

• mAP: モデル性能の広範な評価に適しています。

• IoU: 物体の位置を正確に特定することが重要な場合に不可欠です。

• 適合率: 誤検出を最小限に抑えることが優先される場合に重要です。

• 再現率: クラスのすべてのインスタンスを確実に検出することが重要な場合に不可欠です。

• F1スコア: 適合率と再現率のバランスが必要な場合に役立ちます。

リアルタイムアプリケーションでは、タイムリーな結果を保証するためにFPS（1秒あたりのフレーム数）やレイテンシといった速度メトリクスが重要です。

Link to this section結果の解釈#

メトリクスを理解することが重要です。一般的に見られる低いスコアが何を意味する可能性があるか、以下に示します：

• 低いmAP: モデルに全般的な改善が必要な可能性があることを示します。

• 低いIoU: モデルが物体の位置を正確に特定するのに苦労している可能性があります。異なるバウンディングボックスの手法が役立つかもしれません。

• 低い適合率: モデルが実際には存在しない物体を検出しすぎている可能性があります。信頼度閾値を調整することでこれを低減できる場合があります。

• 低い再現率: モデルが実際の物体を見逃している可能性があります。特徴抽出の改善や、より多くのデータの使用が役立つかもしれません。

• 不均衡なF1スコア: 適合率と再現率の間に乖離があります。

• クラスごとのAP: ここでのスコアが低い場合は、モデルが苦戦しているクラスを浮き彫りにします。

Link to this sectionケーススタディ#

現実世界の例を用いることで、これらのメトリクスが実際どのように機能するかを明確にできます。

Link to this sectionケース1#

• 状況: mAPとF1スコアが最適ではなく、再現率は良いが適合率が低い。

• 解釈と対策: 不適切な検出が多すぎる可能性があります。信頼度閾値を厳しくすることでこれらを減らせますが、同時に再現率がわずかに低下する可能性があります。

Link to this sectionケース2#

• 状況: mAPと再現率は許容範囲内だが、IoUが不足している。

• 解釈と対策: モデルは物体をうまく検出していますが、正確に局所化できていない可能性があります。バウンディングボックスの予測精度を高めることが助けになるかもしれません。

Link to this sectionケース3#

• 状況: 全体的なmAPはまずまずでも、特定のクラスのAPが他より大幅に低い。

• 解釈と対策: これらのクラスはモデルにとってより困難な可能性があります。これらのクラスに対してより多くのデータを使用するか、トレーニング中にクラスの重みを調整することが有益かもしれません。

Link to this section交流とコラボレーション#

愛好家や専門家のコミュニティを活用することで、YOLO26での取り組みを加速させることができます。学習、トラブルシューティング、ネットワーキングを促進する手段をいくつか紹介します。

Link to this section広範なコミュニティとの交流#

• GitHub Issues: GitHub上のYOLO26リポジトリにはIssuesタブがあり、質問をしたり、バグを報告したり、新機能の提案をしたりできます。コミュニティや管理者がここで活発に活動しており、特定の課題に対して助けを得るのに最適な場所です。

• Ultralytics Discordサーバー: UltralyticsにはDiscordサーバーがあり、他のユーザーや開発者と交流できます。

Link to this section公式ドキュメントとリソース：#

• Ultralytics YOLO26ドキュメント: 公式ドキュメントは、YOLO26の包括的な概要を提供しており、インストール、使用方法、トラブルシューティングのガイドも含まれています。

これらのリソースを使用することで、課題を解決するだけでなく、YOLO26コミュニティの最新トレンドやベストプラクティスを常に把握することができます。

Link to this section結論#

本ガイドでは、YOLO26に不可欠なパフォーマンスメトリクスを詳細に調査しました。これらのメトリクスは、モデルの性能を把握するための鍵であり、モデルを微調整したいと考えている人には不可欠です。これらは改善に必要な知見を提供し、実生活の状況でモデルが確実に効果的に機能するようにします。

YOLO26およびUltralyticsコミュニティが貴重な資産であることを忘れないでください。他の開発者や専門家と関わることで、標準ドキュメントにはない知見や解決策への扉が開かれるかもしれません。物体検出の世界を探求する際は、学習の精神を忘れず、新しい戦略を試し、知見を共有してください。そうすることで、コミュニティの集合知に貢献し、その成長を確実にします。

Link to this sectionFAQ#

Link to this sectionYOLO26モデルの性能を評価する上で、平均適合率の平均 (mAP) の重要性は何ですか？#

平均適合率の平均 (mAP) は、複数のクラスにわたる適合率と再現率を集約する単一のメトリクスを提供するため、YOLO26モデルを評価する上で重要です。mAP@0.50はIoU閾値0.50における適合率を測定し、モデルが物体を正しく検出する能力に焦点を当てます。mAP@0.50:0.95は、さまざまなIoU閾値にわたって適合率を平均化し、検出性能の包括的な評価を提供します。高いmAPスコアは、モデルが適合率と再現率を効果的にバランスさせていることを示しており、正確な検出と最小限の誤警報の両方が極めて重要な自動運転や監視システムのようなアプリケーションでは不可欠です。

Link to this sectionYOLO26物体検出におけるIntersection over Union (IoU) 値をどのように解釈すればよいですか？#

Intersection over Union (IoU) は、予測されたバウンディングボックスと正解のバウンディングボックス間の重なりを測定します。IoU値は0から1の範囲で、値が高いほど局所化の精度が高いことを示します。IoUが1.0であれば完全一致を意味します。一般的に、mAPなどのメトリクスで真陽性を定義するためにIoU閾値0.50が使用されます。低いIoU値は、モデルが正確な物体局所化に苦労していることを示唆しており、バウンディングボックス回帰を洗練させるか、トレーニングデータセットの注釈精度を高めることで改善できます。

Link to this section物体検出において、YOLO26モデルの評価にF1スコアが重要なのはなぜですか？#

The F1 Score is important for evaluating YOLO26 models because it provides a harmonic mean of precision and recall, balancing both false positives and false negatives. It is particularly valuable when dealing with imbalanced datasets or applications where either precision or recall alone is insufficient. A high F1 Score indicates that the model effectively detects objects while minimizing both missed detections and false alarms, making it suitable for critical applications like security systems and medical imaging.

Link to this sectionリアルタイム物体検出のためにUltralytics YOLO26を使用する主な利点は何ですか？#

Ultralytics YOLO26は、リアルタイム物体検出のために多くの利点を提供します：

• 速度と効率: 高速推論に最適化されており、低遅延を必要とするアプリケーションに適しています。
• 高い精度: 高度なアルゴリズムが、高いmAPとIoUスコアを保証し、適合率と再現率をバランスさせます。
• 柔軟性: 物体検出、インスタンスセグメンテーション、セマンティックセグメンテーション、分類など、さまざまなタスクをサポートします。
• 使いやすさ: ユーザーフレンドリーなインターフェース、豊富なドキュメント、そしてUltralyticsプラットフォーム（Platform Quickstart）などのツールとのシームレスな統合を提供します。

これにより、YOLO26は自動運転車からスマートシティソリューションに至るまで、多様なアプリケーションに最適です。

Link to this sectionYOLO26からの検証メトリクスは、どのようにモデル性能の向上に役立ちますか？#

YOLO26の適合率、再現率、mAP、IoUといった検証メトリクスは、検出のさまざまな側面に洞察を提供することで、モデル性能を診断し改善するのに役立ちます：

• 適合率: 偽陽性を特定し最小化するのに役立ちます。
• 再現率: 関連するすべての物体が確実に検出されるようにします。
• mAP: 全体的な性能のスナップショットを提供し、一般的な改善の指針となります。
• IoU: 物体局所化の精度を微調整するのに役立ちます。

これらのメトリクスを分析することで、適合率を向上させるための信頼度閾値の調整や、再現率を向上させるためのより多様なデータの収集など、特定の弱点をターゲットにすることができます。これらのメトリクスの詳細な説明とその解釈方法については、物体検出メトリクスを確認し、ハイパーパラメータチューニングを実施してモデルを最適化することを検討してください。