Кросс-валидация K-Fold с Ultralytics#

Введение#

Это подробное руководство демонстрирует реализацию кросс-валидации K-Fold для наборов данных обнаружения объектов в экосистеме Ultralytics. Мы воспользуемся форматом детекции YOLO и ключевыми библиотеками Python, такими как sklearn, pandas и PyYAML, чтобы провести тебя через необходимую настройку, создание векторов признаков и разделение набора данных на фолды K-Fold.

Работаешь ли ты с набором данных Fruit Detection или собственным источником данных, это руководство поможет разобраться в кросс-валидации K-Fold и применять её для повышения надежности и устойчивости моделей машинного обучения. В этом руководстве мы используем k=5 фолдов, но имей в виду, что оптимальное количество фолдов зависит от набора данных и особенностей проекта. Кросс-валидация K-Fold особенно полезна, если набор данных небольшой, зашумленный или сильно варьируется; для больших и разнообразных наборов данных обычно достаточно хорошо составленного разделения на train/val/test.

Приступим.

Настройка#

• Аннотации должны быть в формате детекции YOLO.

• В этом руководстве предполагается, что файлы аннотаций доступны локально.

• Для демонстрации мы используем набор данных Fruit Detection.

  • Всего в этом наборе данных 8479 изображений.
  • В наборе 6 классов; общее количество экземпляров каждого класса указано ниже.

• Для работы понадобятся следующие пакеты Python:

  • ultralytics
  • sklearn
  • pandas
  • pyyaml

• В этом руководстве используются фолды k=5. Однако тебе следует определить оптимальное количество фолдов для своего набора данных.

1. Создай для проекта новое виртуальное окружение Python (venv) и активируй его. Установи пакеты с помощью pip (или предпочитаемого тобой менеджера пакетов):

   • Библиотека Ultralytics: pip install -U ultralytics. Также можно клонировать официальный репозиторий.
   • Scikit-learn, pandas и PyYAML: pip install -U scikit-learn pandas pyyaml.

2. Убедись, что аннотации соответствуют формату детекции YOLO.

   • В этом руководстве все файлы аннотаций находятся в каталоге Fruit-Detection/labels.

Создание векторов признаков для набора данных обнаружения объектов#

1. Для выполнения следующих шагов создай новый файл Python example.py.

2. Загрузи настроенные обучающие и валидационные изображения через владелец набора данных пакета, оставив тестовую выборку нетронутой.

   from pathlib import Path
   
   from ultralytics.data.dataset import YOLODataset
   from ultralytics.data.utils import check_det_dataset
   
   yaml_file = "path/to/data.yaml"
   data = check_det_dataset(yaml_file)
   dataset_path = Path(data["path"])
   sources = []
   for split in ("train", "val"):
       source = data.get(split)
       if source:
           sources.extend(source if isinstance(source, list) else [source])
   dataset = YOLODataset(sources, data=data, augment=False)
   images = [Path(p) for p in dataset.im_files]

3. Теперь прочитай содержимое YAML-файла набора данных и извлеки индексы меток классов.

   classes = data["names"]
   cls_idx = sorted(classes.keys())

4. Инициализируй пустой DataFrame pandas.

   import pandas as pd
   
   labels_df = pd.DataFrame(0.0, columns=cls_idx, index=images)

5. Подсчитай экземпляры каждого класса, указанного в файлах аннотаций.

   from collections import Counter
   
   for image, label in zip(images, dataset.labels):
       lbl_counter = Counter(label["cls"].flatten().astype(int))
       labels_df.loc[image, list(lbl_counter)] = list(lbl_counter.values())

6. Ниже показан пример заполненного DataFrame:

                                                          0    1    2    3    4    5
   '0000a16e4b057580_jpg.rf.00ab48988370f64f5ca8ea4...'  0.0  0.0  0.0  0.0  0.0  7.0
   '0000a16e4b057580_jpg.rf.7e6dce029fb67f01eb19aa7...'  0.0  0.0  0.0  0.0  0.0  7.0
   '0000a16e4b057580_jpg.rf.bc4d31cdcbe229dd022957a...'  0.0  0.0  0.0  0.0  0.0  7.0
   '00020ebf74c4881c_jpg.rf.508192a0a97aa6c4a3b6882...'  0.0  0.0  0.0  1.0  0.0  0.0
   '00020ebf74c4881c_jpg.rf.5af192a2254c8ecc4188a25...'  0.0  0.0  0.0  1.0  0.0  0.0
    ...                                                  ...  ...  ...  ...  ...  ...
   'ff4cd45896de38be_jpg.rf.c4b5e967ca10c7ced3b9e97...'  0.0  0.0  0.0  0.0  0.0  2.0
   'ff4cd45896de38be_jpg.rf.ea4c1d37d2884b3e3cbce08...'  0.0  0.0  0.0  0.0  0.0  2.0
   'ff5fd9c3c624b7dc_jpg.rf.bb519feaa36fc4bf630a033...'  1.0  0.0  0.0  0.0  0.0  0.0
   'ff5fd9c3c624b7dc_jpg.rf.f0751c9c3aa4519ea3c9d6a...'  1.0  0.0  0.0  0.0  0.0  0.0
   'fffe28b31f2a70d4_jpg.rf.7ea16bd637ba0711c53b540...'  0.0  6.0  0.0  0.0  0.0  0.0

В строках указаны абсолютные пути к изображениям, а столбцы соответствуют индексам классов. Для отсутствующих меток в строках остаются только нули, обозначающие фон. Такая структура данных позволяет применять к набору данных обнаружения объектов кросс-валидацию K-Fold.

Разделение набора данных на фолды K-Fold#

1. Теперь воспользуемся классом KFold из sklearn.model_selection, чтобы создать k частей набора данных.

   • Важно:
     • Параметр shuffle=True обеспечивает случайное распределение классов по фолдам.
     • Задав random_state=M, где M — выбранное целое число, ты получишь воспроизводимые результаты.

   from sklearn.model_selection import KFold
   
   ksplit = 5
   kf = KFold(n_splits=ksplit, shuffle=True, random_state=20)  # задаем random_state, чтобы получать воспроизводимые результаты
   
   kfolds = list(kf.split(labels_df))

2. Теперь набор данных разделен на k фолдов, каждый из которых содержит списки индексов train и val. Для наглядного отображения результатов создадим DataFrame.

   folds = [f"split_{n}" for n in range(1, ksplit + 1)]
   folds_df = pd.DataFrame(index=labels_df.index, columns=folds)
   
   for i, (train, val) in enumerate(kfolds, start=1):
       folds_df.loc[labels_df.index[train], f"split_{i}"] = "train"
       folds_df.loc[labels_df.index[val], f"split_{i}"] = "val"

3. Теперь рассчитаем распределение меток классов для каждого фолда как отношение числа классов в val к числу классов в train.

   fold_lbl_distrb = pd.DataFrame(index=folds, columns=cls_idx)
   
   for n, (train_indices, val_indices) in enumerate(kfolds, start=1):
       train_totals = labels_df.iloc[train_indices].sum()
       val_totals = labels_df.iloc[val_indices].sum()
   
       # To avoid division by zero, we add a small value (1E-7) to the denominator
       ratio = val_totals / (train_totals + 1e-7)
       fold_lbl_distrb.loc[f"split_{n}"] = ratio

   В идеале соотношения всех классов должны быть примерно одинаковыми в каждом фолде и между классами. Однако результат зависит от особенностей набора данных.

4. Для каждого фолда запиши списки изображений и YAML-файл набора данных. Текстовые списки позволяют не копировать набор данных k раз.

   import yaml
   
   save_path = dataset_path.parent / f"{ksplit}-Fold_Cross-val"
   save_path.mkdir(parents=True, exist_ok=True)
   ds_yamls = []
   
   for split in folds_df.columns:
       for partition in ("train", "val"):
           split_images = folds_df.index[folds_df[split] == partition]
           paths = "\n".join(map(str, split_images))
           (save_path / f"{split}_{partition}.txt").write_text(f"{paths}\n")
   
       dataset_yaml = save_path / f"{split}.yaml"
       ds_yamls.append(dataset_yaml)
       with open(dataset_yaml, "w") as ds_y:
           yaml.safe_dump(
               {
                   "path": save_path.as_posix(),
                   "train": f"{split}_train.txt",
                   "val": f"{split}_val.txt",
                   "names": classes,
               },
               ds_y,
           )

Сохранение записей (необязательно)#

При желании можешь сохранить записи о разделении K-Fold и DataFrame с распределением меток в виде CSV-файлов для дальнейшего использования.

folds_df.to_csv(save_path / "kfold_datasplit.csv")
fold_lbl_distrb.to_csv(save_path / "kfold_label_distribution.csv")

Обучение YOLO с разделением данных K-Fold#

1. Сначала загрузи модель YOLO.

   from ultralytics import YOLO
   
   weights_path = "path/to/weights.pt"  # используй yolo26n.pt для небольшой модели
   model = YOLO(weights_path, task="detect")

2. Затем перебери YAML-файлы наборов данных и запусти обучение. Результаты сохраняются в каталоге, заданном аргументами project и name. По умолчанию это каталог 'runs/detect/train#', где # — целочисленный индекс.

   results = {}
   
   # Define your additional arguments here
   batch = 16
   project = "kfold_demo"
   epochs = 100
   
   for k, dataset_yaml in enumerate(ds_yamls):
       model = YOLO(weights_path, task="detect")
       results[k] = model.train(
           data=dataset_yaml, epochs=epochs, batch=batch, project=project, name=f"fold_{k + 1}"
       )  # include any additional train arguments

3. Для автоматического разделения набора данных также можно использовать функцию Ultralytics data.split.autosplit:

   from ultralytics.data.split import autosplit
   
   # Автоматически разделить набор данных на train/val/test
   autosplit(path="path/to/images", weights=(0.8, 0.2, 0.0), annotated_only=True)

Заключение#

В этом руководстве мы рассмотрели применение кросс-валидации K-Fold для обучения модели YOLO обнаружения объектов. Мы научились разделять совокупность обучающих и валидационных данных на K частей и использовать полученную таблицу соотношений для проверки баланса классов после случайного разделения.

Мы также рассмотрели, как создавать отчетные DataFrame для визуализации разделения данных и распределения меток по фолдам. Это позволяет наглядно оценить структуру обучающих и валидационных выборок.

При желании мы сохранили записи для дальнейшего использования — это может быть особенно полезно в крупных проектах или при поиске причин проблем с производительностью модели.

Наконец, мы реализовали обучение модели в цикле на каждой части и сохранили результаты обучения для дальнейшего анализа и сравнения.

Кросс-валидация K-Fold — надежный способ эффективнее использовать доступные данные; она помогает убедиться, что производительность модели остается стабильной на разных подмножествах данных. В результате получается более обобщающая и надежная модель, которая с меньшей вероятностью будет переобучаться на конкретных закономерностях данных.

Имей в виду, что хотя в этом руководстве мы использовали YOLO, эти шаги в основном применимы и к другим моделям машинного обучения. Понимание описанных шагов позволит эффективно применять кросс-валидацию в собственных проектах машинного обучения.

Часто задаваемые вопросы#