K-Fold кросс-валидация с Ultralytics#

Введение#

Это подробное руководство демонстрирует реализацию K-Fold кросс-валидации для наборов данных обнаружения объектов в экосистеме Ultralytics. Мы используем формат обнаружения YOLO и ключевые библиотеки Python, такие как sklearn, pandas и PyYAML, чтобы помочь тебе пройти необходимые этапы настройки, процесса генерации векторов признаков и выполнения разбиения набора данных на фолды.

Независимо от того, включает ли твой проект набор данных Fruit Detection или собственный источник данных, это руководство поможет тебе понять и применить перекрестную проверку методом K-Fold для повышения надежности и устойчивости твоих моделей машинного обучения. Хотя в этом руководстве мы используем k=5 фолдов, помни, что оптимальное количество фолдов может варьироваться в зависимости от твоего набора данных и специфики проекта. Перекрестная проверка методом K-Fold приносит наибольшую пользу, когда твой набор данных мал, зашумлен или сильно вариативен; для больших, разнообразных наборов данных обычно достаточно хорошо составленного разделения на обучающую, валидационную и тестовую выборки.

Давай начнем.

Настройка#

• Твои аннотации должны быть представлены в формате обнаружения YOLO.

• Это руководство предполагает, что файлы аннотаций доступны локально.

• Для нашей демонстрации мы используем набор данных Fruit Detection.

  • Этот набор данных содержит в общей сложности 8479 изображений.
  • Он включает 6 меток классов, общее количество экземпляров которых приведено ниже.

• Необходимые пакеты Python включают:

  • ultralytics
  • sklearn
  • pandas
  • pyyaml

• В этом учебном пособии используется k=5 фолдов. Тем не менее тебе следует определить оптимальное количество фолдов для твоего конкретного набора данных.

1. Создай новую виртуальную среду Python (venv) для своего проекта и активируй ее. Используй pip (или предпочитаемый менеджер пакетов) для установки:

   • Библиотека Ultralytics: pip install -U ultralytics. В качестве альтернативы ты можешь клонировать официальный репозиторий.
   • Scikit-learn, pandas и PyYAML: pip install -U scikit-learn pandas pyyaml.

2. Убедись, что твои аннотации находятся в формате обнаружения YOLO.

   • В этом уроке все файлы аннотаций находятся в директории Fruit-Detection/labels.

Генерация векторов признаков для набора данных обнаружения объектов#

1. Начни с создания нового файла Python example.py для выполнения шагов ниже.

2. Загрузи настроенные изображения для обучения и валидации через владельца датасета в пакете, 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-метки, присутствующего 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 представлен 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 используются абсолютные пути к изображениям, а столбцы соответствуют индексам меток классов. Пропущенные метки остаются фоновыми строками из нулей. Такая структура данных позволяет применять K-Fold Cross Validation к датасету для обнаружения объектов.

Разбиение набора данных методом K-Fold#

1. Теперь мы используем класс KFold из sklearn.model_selection, чтобы сгенерировать k разбиений набора данных.

   • Важно:
     • Установка shuffle=True обеспечивает рандомизированное распределение классов по твоим фолдам.
     • Установив значение random_state=M, где M — выбранное целое число, ты сможешь получать воспроизводимые результаты.

   from sklearn.model_selection import KFold
   
   ksplit = 5
   kf = KFold(n_splits=ksplit, shuffle=True, random_state=20)  # setting random_state for repeatable results
   
   kfolds = list(kf.split(labels_df))

2. Набор данных теперь разделен на k фолдов, каждый из которых содержит список индексов train и val. Мы создадим DataFrame, чтобы более наглядно отобразить эти результаты.

   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 мы рассчитаем распределение меток классов для каждого фолда как соотношение классов, присутствующих в val, к классам 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

   Идеальный сценарий — это когда все соотношения классов являются достаточно схожими для каждого разбиения и между классами. Однако это будет зависеть от специфики твоего набора данных.

4. Запиши списки изображений и YAML-файл датасета для каждого разделения. Текстовые списки позволяют избежать копирования датасета 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 (опционально)#

Опционально ты можешь сохранить записи о разбиении K-Fold и DataFrame распределения 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 использованием K-Fold разбиений данных#

1. Сначала загрузи модель YOLO.

   from ultralytics import YOLO
   
   weights_path = "path/to/weights.pt"  # use yolo26n.pt for a small model
   model = YOLO(weights_path, task="detect")

2. Затем перебери YAML-файлы набора данных для запуска обучения. Результаты будут сохранены в директорию, указанную аргументами project и name. По умолчанию эта директория называется 'runs/detect/train#', где # — порядковый номер.

   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. Ты также можешь использовать функцию Ultralytics data.split.autosplit для автоматического разделения набора данных:

   from ultralytics.data.split import autosplit
   
   # Automatically split dataset into train/val/test
   autosplit(path="path/to/images", weights=(0.8, 0.2, 0.0), annotated_only=True)

Заключение#

В этом руководстве мы изучили процесс использования кросс-валидации K-Fold для обучения модели обнаружения объектов YOLO. Мы узнали, как разделить пул обучения и валидации на K частей и использовать созданную табличку соотношений для проверки баланса классов после случайного разделения.

Мы также рассмотрели процедуру создания отчетных DataFrame для визуализации разбиений данных и распределения меток по этим разбиениям, что дает нам четкое представление о структуре наших наборов для обучения и валидации.

Опционально мы сохранили наши записи для дальнейшего использования, что может быть особенно полезно в крупномасштабных проектах или при устранении неполадок в работе модели.

Наконец, мы реализовали само обучение модели, используя каждое разбиение в цикле, сохраняя результаты обучения для дальнейшего анализа и сравнения.

Этот метод K-Fold кросс-валидации — надежный способ получить максимум пользы от имеющихся данных и обеспечить стабильность и надежность работы модели на разных подмножествах данных. Это приводит к созданию более универсальной и надежной модели, которая менее склонна к переобучению под конкретные шаблоны данных.

Помни, что, хотя мы использовали YOLO в этом руководстве, эти шаги в основном применимы и к другим моделям машинного обучения. Понимание этих шагов позволит тебе эффективно применять кросс-валидацию в твоих собственных проектах по машинному обучению.

FAQ#