Model Değerlendirme ve İnce Ayarlama Hakkında Bilgiler
Bir YOLO modelini eğittikten sonra sıradaki adım, performansını ölçmek ve eksiklerini gidermek için ince ayar yapmaktır. Değerlendirmede doğruluğu ölçmek için mAP ve IoU gibi metrikler kullanılır; ince ayar ise modelin proje hedefini karşılaması için zayıf noktaları güçlendirecek eğitim parametrelerini düzenler. Bu kılavuz temel değerlendirme metriklerini, bunları nasıl okuyacağını ve gösterdiklerine göre nasıl harekete geçeceğini açıklar.
İzle: Model Değerlendirme ve İnce Ayar Hakkında Bilgiler | Ortalama Hassasiyeti Artırmaya Yönelik İpuçları
Değerlendirme ve ince ayar, bilgisayarlı görü projesi iş akışının son aşamalarında yer alır; eğitim başladıktan sonra modelin doğru, verimli ve dağıtıma hazır olduğunu doğrulaman gerekir.
Temel Değerlendirme Metrikleri#
Bir modelin ne kadar etkili performans gösterdiğini çeşitli metrikler ölçer. Bu performans metrikleri, modelin amaçlanan hedeflerini karşıladığından emin olmak için yapılacak iyileştirmelere yön veren net ve sayısal bilgiler sağlar.
Güven Skoru#
Güven skoru, modelin algılanan bir nesnenin belirli bir sınıfa ait olduğundan ne kadar emin olduğunu gösterir. 0 ile 1 arasında değişir; yüksek skorlar daha fazla güven anlamına gelir. Güven skoru tahminleri filtrelemeye yardımcı olur: yalnızca belirtilen eşiğin üzerindeki güven skorlarına sahip algılamalar geçerli kabul edilir.
Çıkarım yaparken hiçbir tahmin görmüyorsan ve diğer her şeyi kontrol ettiysen güven eşiğini düşürmeyi dene. Bazen eşik çok yüksektir ve modelin geçerli tahminleri yok saymasına neden olur. Eşiği düşürmek, modelin daha fazla olasılığı değerlendirmesini sağlar. Bu, nihai proje hedeflerini karşılamayabilir; ancak modelin neler yapabildiğini görmek ve ince ayarı nasıl yapacağına karar vermek için iyi bir yöntemdir.
Birleşim Üzerine Kesişim#
Birleşim Üzerindeki Kesişim (IoU), tahmin edilen sınırlayıcı kutunun gerçek sınırlayıcı kutuyla ne kadar örtüştüğünü ölçen bir nesne algılama metriğidir. IoU değerleri 0 ile 1 arasında değişir; 1 kusursuz eşleşmeyi gösterir. IoU, tahmin edilen sınırların gerçek nesne sınırlarıyla ne kadar örtüştüğünü ölçtüğü için önemlidir.
Ortalama Ortalama Kesinlik#
Ortalama Ortalama Kesinlik (mAP), bir nesne algılama modelinin genel performansını ölçer. Her nesne sınıfının algılanma kesinliğini değerlendirir, bu skorların ortalamasını alır ve modelin nesneleri ne kadar doğru belirleyip sınıflandırabildiğini gösteren tek bir değer verir.
En sık raporlanan iki mAP metriği şunlardır:
- mAP50: Tek bir IoU eşiği olan 0.5'teki ortalama kesinliği ölçer. Bu metrik, daha esnek bir doğruluk gereksinimi altında modelin nesneleri doğru bulup bulamadığını denetler. Nesnenin kusursuz konumlandırılmasını gerektirmeden kabaca doğru yerde olup olmadığına odaklanır ve modelin genel olarak nesneleri bulmada iyi olup olmadığını anlamaya yardımcı olur.
- mAP50-95: 0.5 ile 0.95 arasında 0.05'lik artışlarla belirlenen birden çok IoU eşiğinde hesaplanan mAP değerlerinin ortalamasını alır. Bu metrik daha ayrıntılı ve katıdır. Modelin farklı katılık düzeylerinde nesneleri ne kadar doğru bulabildiğine dair daha kapsamlı bir görünüm sunar ve hassas nesne tespiti gerektiren uygulamalarda özellikle kullanışlıdır.
Diğer mAP metrikleri arasında, daha katı 0.75 IoU eşiğini kullanan mAP75 ile küçük, orta ve büyük nesnelerdeki kesinliği değerlendiren APS, APM ve APL bulunur.
YOLO26 Modelini Değerlendirme#
Eğitilmiş bir YOLO26 modelini doğrulama moduyla değerlendirebilirsin. Her metriğin nasıl hesaplanıp yorumlandığını daha ayrıntılı incelemek için YOLO26 performans metrikleri kılavuzuna bak.
Değişken Görüntü Boyutlarını İşleme#
Modelini farklı boyutlardaki görüntüler üzerinde değerlendirmek, çeşitli veri kümelerindeki performansını anlamana yardımcı olur. Doğrulama, varsayılan olarak dikdörtgen toplu işleme kullanır (model.val() içindeki rect=True): görüntüleri en-boy oranına göre gruplandırır ve her toplu işi dikdörtgen bir şekle kadar doldurur; böylece dikdörtgen görüntüler kareye zorlanmadan değerlendirilir.
imgsz parametresi, doğrulama sırasında kullanılan görüntü boyutunu belirler. Açıkça ayarlamazsan YOLO26, model ayarlarında kayıtlı değeri yeniden kullanır (resmî, önceden eğitilmiş modeller için 640 veya özel kontrol noktasının eğitildiği boyut). rect=True kullanıldığında doğrulama şekilleri predict işlemindekilerden farklı olabilir (bkz. rect). Veri kümenin boyutlarına ve kullanılabilir GPU belleğine göre imgsz değerini ayarla.
YOLO26 Metriklerine Erişme#
Model performansını ayrıntılı anlamak için birkaç satır Python koduyla belirli değerlendirme metriklerine erişebilirsin. Aşağıdaki kod parçacığı bir modeli yükler, doğrulama çalıştırır ve en kullanışlı metrikleri yazdırır.
from ultralytics import YOLO
# Bir model yükle
model = YOLO("yolo26n.pt")
# Veri kümen üzerinde doğrulamayı çalıştır
results = model.val(data="coco8.yaml")
# Genel metrikler
print("mAP50-95:", results.box.map) # IoU 0.50:0.95'te mAP
print("mAP50:", results.box.map50) # IoU 0.50'de mAP
print("mAP75:", results.box.map75) # IoU 0.75'te mAP
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Fitness:", results.box.fitness()) # model seçimi için kullanılan ağırlıklı puan
# Sınıf başına metrikler
print("Class indices evaluated:", results.box.ap_class_index)
print("Per-class mAP50-95:", results.box.maps) # Val kümesinde bulunmayan sınıflara genel mAP değeri atanır
# Görüntü başına precision, recall, F1, TP, FP ve FN
print("Per-image metrics:", results.box.image_metrics)
# Görüntü başına milisaniye cinsinden aşama bazlı süre dökümü
print("Timing breakdown (ms/image):", results.speed)fitness() bir yöntemdir ve parantezle çağrılmalıdır; map, map50 ve mp gibi metrikler ise doğrudan erişilen özelliklerdir.
results.box.image_metrics özniteliği, ortak görüntü dizinine göreli görüntü yolunu anahtar olarak kullanan ve her görüntü için IoU 0.5 değerindeki precision, recall, f1, tp, fp ve fn değerlerini içeren, görüntü başına bir sözlüktür. Ön işleme, çıkarım, kayıp ve son işleme süreleri results.speed sözlüğünde ayrı ayrı raporlanır. Bunlar birlikte, modelin hangi görüntülerde zorlandığını belirlemeni ve buna göre ince ayar yapmanı sağlar.
Modeline İnce Ayar Yapma#
İnce ayar, önceden eğitilmiş bir modeli alıp belirli bir görevde veya veri kümesinde performansı artırmak için parametrelerini düzenler. Modeli yeniden eğitmek olarak da bilinen bu işlem, modelin gerçek dünya uygulamalarında karşılaşacağı verileri daha iyi anlamasını ve tahmin etmesini sağlar. Değerlendirme sonuçlarına göre modeli kendi verilerinle yeniden eğitir ve ince ayar kılavuzunda ele alınan eğitim argümanlarını ayarlarsın.
Küçük Nesneler için Görüntü Döşeme#
Görüntü döşeme, küçük nesneler için algılama doğruluğunu artırabilir. 1280x1280 görüntüleri birden fazla 640x640 parçaya bölmek gibi yöntemlerle büyük görüntüleri daha küçük parçalara ayırarak özgün çözünürlüğü korur ve modelin yüksek çözünürlüklü parçalardan öğrenmesini sağlarsın. Eğitim, doğrulama ve tahmin sırasında yüksek çözünürlüklü döşeme için tile=True kullan. Eğitim, her döşemeyle birlikte açıklamaları kırpar; doğrulama ve tahmin ise döşeme çıktılarını tam görüntü sonuçlarında birleştirir.
Sonuç#
Değerlendirme ve ince ayar, eğitilmiş bir modeli güvenilir ve dağıtıma hazır hâle getirir: mAP ve IoU gibi metrikler zayıf yönleri ortaya çıkarır, hedefli parametre değişiklikleri de bu zayıflıkları giderir. Modelinin performansını ölçmek için doğrulama moduyla başla, ardından ince ayar kılavuzunda ele alınan argümanlarla yeniden eğitim yap ve yeni parametreler, teknikler ve veri kümeleriyle yinelemeye devam et. Süreç boyunca soruların olursa Ultralytics GitHub deposundaki veya Ultralytics Discord sunucusundaki topluluğa sor.
Sık Sorulan Sorular#
YOLO26 model performansını değerlendirmek için önemli metrikler arasında Güven Puanı, Kesişim-Birleşim (IoU) ve Ortalama Ortalama Kesinlik (mAP) yer alır. Güven Puanı, modelin tespit edilen her nesne sınıfına ne kadar güvendiğini ölçer. IoU, tahmin edilen sınırlayıcı kutunun gerçek değerle ne ölçüde örtüştüğünü değerlendirir. Ortalama Ortalama Kesinlik (mAP), sınıflar genelindeki kesinlik puanlarını bir araya getirir; değişen IoU eşikleri için mAP50 ve mAP50-95 sık kullanılan iki türüdür. Bu metrikler hakkında daha fazla bilgiyi YOLO26 performans metrikleri kılavuzumuzda bulabilirsin.
Önceden eğitilmiş bir YOLO26 modelinde ince ayar yapmak, belirli bir görevde veya veri kümesinde performansı artırmak için model parametrelerini değiştirmeyi içerir. Önce modelini metriklerle değerlendir, ardından kendi veri kümen üzerinde önceden eğitilmiş ağırlıklardan başlayarak yeniden eğit. Değerlendirme sırasında
rect=Truegibi parametreler, çeşitli görüntü boyutlarını etkili biçimde ele almaya yardımcı olur.Değerlendirme sırasında değişken görüntü boyutlarını işlemek için dikdörtgen doğrulamayı (
rect=True,model.val()için varsayılan değer) kullan. Bu yöntem, her görüntüyü kare biçime zorlamak yerine görüntüleri en-boy oranlarına göre gruplandırır ve her gruptaki görüntüleri doldurur.imgszparametresi doğrulama için görüntü boyutunu belirler; bu parametreyi değiştirmezsen YOLO26 modelin kaydedilmiş değerini kullanır (resmî önceden eğitilmiş modeller için 640).imgszdeğerini veri kümen ve GPU belleğine göre ayarla. Daha fazla bilgi için değişken görüntü boyutlarını işleme bölümümüzü ziyaret et.Bir YOLO26 modelinin ortalama ortalama hassasiyetini (mAP) artırmak birkaç adımı içerir:
- Hiperparametreleri Ayarlama: Farklı öğrenme oranları, yığın boyutları ve görüntü artırmalarıyla denemeler yap.
- Veri Artırma: Çeşitli eğitim örnekleri oluşturmak için Mosaic ve MixUp gibi teknikleri kullan.
- Görüntü Döşeme: Küçük nesnelerin algılanma doğruluğunu artırmak için büyük görüntüleri daha küçük döşemelere ayır.
1. ve 2. adımların arkasındaki eğitim argümanları için ince ayar kılavuzuna bak; 3. adım görüntü döşeme bölümünde ele alınıyor.
Doğrulama işlemini çalıştırdıktan sonra YOLO26 model değerlendirme metriklerine Python kullanarak erişebilirsin:
Kullanımfrom ultralytics import YOLO # Bir model yükle model = YOLO("yolo26n.pt") # Doğrulamayı çalıştır results = model.val(data="coco8.yaml") # Temel metriklere eriş print("Mean average precision at IoU=0.50:", results.box.map50) print("Mean average precision at IoU=0.50:0.95:", results.box.map) print("Mean recall:", results.box.mr) print("Class indices evaluated:", results.box.ap_class_index)Bu metrikleri analiz etmek, YOLO26 modeline ince ayar yapmana ve modeli optimize etmene yardımcı olur. Ayrıntılı bilgi için YOLO performans metrikleri kılavuzumuza göz at.
Yorumlar2
Bir soru sor, sonuçlarını paylaş veya başka birine yardım et.
ILIAHHne63
Hello, I'm using YoLOv10, how can I load the pretrained backbone, but leave the head unpretrained?
Glenn JocherUltralytics@ILIAHHne63 to load a pretrained backbone while leaving the head unpretrained in YOLOv10, you can initialize the model with the pretrained weights and then manually reset the head layers. This allows you to retain the pretrained features of the backbone while training the head from scratch. For detailed steps, refer to the model fine-tuning section in our documentation. If you encounter any issues, ensure you're using the latest version of the package.
