─░├žeri─če ge├ž

Model De─čerlendirmesi ve ─░nce Ayar Hakk─▒nda G├Âr├╝┼čler

Giri┼č

Bilgisayarla g├Ârme modelinizi e─čittikten sonra, en iyi performans─▒ g├Âstermesi i├žin onu de─čerlendirmek ve iyile┼čtirmek ├žok ├Ânemlidir. Sadece modelinizi e─čitmek yeterli de─čildir. Modelinizin do─čru, verimli oldu─čundan ve bilgisayarla g├Ârme projenizin amac─▒n─▒ yerine getirdi─činden emin olman─▒z gerekir. Modelinizi de─čerlendirip ince ayar yaparak zay─▒f y├Ânlerini belirleyebilir, do─črulu─čunu art─▒rabilir ve genel performans─▒n─▒ y├╝kseltebilirsiniz.

Bu k─▒lavuzda, bir bilgisayarla g├Ârme projesinin bu ad─▒m─▒n─▒ daha ula┼č─▒labilir hale getirecek model de─čerlendirme ve ince ayar hakk─▒nda i├žg├Âr├╝ler payla┼čaca─č─▒z. De─čerlendirme metriklerini nas─▒l anlayaca─č─▒n─▒z─▒ ve ince ayar tekniklerini nas─▒l uygulayaca─č─▒n─▒z─▒ tart─▒┼čaca─č─▒z ve size modelinizin yeteneklerini art─▒racak bilgileri verece─čiz.

├ľl├ž├╝mleri Kullanarak Model Performans─▒n─▒ De─čerlendirme

Bir modelin ne kadar iyi performans g├Âsterdi─čini de─čerlendirmek, ne kadar etkili ├žal─▒┼čt─▒─č─▒n─▒ anlamam─▒za yard─▒mc─▒ olur. Performans─▒ ├Âl├žmek i├žin ├že┼čitli metrikler kullan─▒l─▒r. Bu performans met rikleri, modelin ama├žlanan hedeflere ula┼čt─▒─č─▒ndan emin olmak i├žin iyile┼čtirmelere rehberlik edebilecek net, say─▒sal bilgiler sa─člar. ┼×imdi birka├ž temel metri─če daha yak─▒ndan bakal─▒m.

G├╝venilirlik Puan─▒

G├╝venilirlik puan─▒, modelin alg─▒lanan bir nesnenin belirli bir s─▒n─▒fa ait oldu─čundan emin olmas─▒n─▒ temsil eder. 0 ile 1 aras─▒nda de─či┼čir ve daha y├╝ksek puanlar daha fazla g├╝veni g├Âsterir. G├╝venilirlik puan─▒, tahminleri filtrelemeye yard─▒mc─▒ olur; Yaln─▒zca belirli bir e┼či─čin ├╝zerinde g├╝venilirlik puanlar─▒na sahip alg─▒lamalar ge├žerli kabul edilir.

H─▒zl─▒ ─░pucu: ├ç─▒kar─▒mlar─▒ ├žal─▒┼čt─▒r─▒rken, herhangi bir tahmin g├Âremiyorsan─▒z ve di─čer her ┼čeyi kontrol ettiyseniz, g├╝ven puan─▒n─▒ d├╝┼č├╝rmeyi deneyin. Bazen e┼čik ├žok y├╝ksektir ve modelin ge├žerli tahminleri g├Âz ard─▒ etmesine neden olur. Puan─▒ d├╝┼č├╝rmek modelin daha fazla olas─▒l─▒─č─▒ dikkate almas─▒n─▒ sa─člar. Bu, proje hedeflerinizi kar┼č─▒lamayabilir ancak modelin neler yapabilece─čini g├Ârmek ve nas─▒l ince ayar yapaca─č─▒n─▒za karar vermek i├žin iyi bir yoldur.

Birlik ├ťzerinde Kav┼čak

Birle┼čim ├ťzerinden Kesi┼čim (IoU), nesne alg─▒lamada, tahmin edilen s─▒n─▒rlay─▒c─▒ kutunun temel ger├žek s─▒n─▒rlay─▒c─▒ kutusuyla ne kadar iyi ├Ârt├╝┼čt├╝─č├╝n├╝ ├Âl├žen bir ├Âl├ž├╝md├╝r. IoU de─čerleri 0 ile 1 aras─▒nda de─či┼čir ve burada m├╝kemmel e┼čle┼čme anlam─▒na gelir. IoU, tahmin edilen s─▒n─▒rlar─▒n ger├žek nesne s─▒n─▒rlar─▒yla ne kadar yak─▒ndan e┼čle┼čti─čini ├Âl├žt├╝─č├╝ i├žin ├Ânemlidir.

Union ├ťzerindeki Kav┼ča─ča Genel Bak─▒┼č

Ortalama Ortalama Hassasiyet

Ortalama Ortalama Duyarl─▒k (mAP), bir nesne alg─▒lama modelinin ne kadar iyi performans g├Âsterdi─čini ├Âl├žmenin bir yoludur. Her nesne s─▒n─▒f─▒n─▒ alg─▒lama hassasiyetine bakar, bu puanlar─▒n ortalamas─▒n─▒ al─▒r ve modelin nesneleri ne kadar do─čru tan─▒mlayabildi─čini ve s─▒n─▒fland─▒rabildi─čini g├Âsteren genel bir say─▒ verir.

─░ki ├Âzel mAP metri─čine odaklanal─▒m:

  • mAP@.5: 0,5'lik tek bir IoU (Birlik ├╝zerinde Kesi┼čim) e┼či─čindeki ortalama hassasiyeti ├Âl├žer. Bu metrik, modelin daha gev┼ček bir do─čruluk gereksinimiyle nesneleri do─čru bir ┼čekilde bulup bulamad─▒─č─▒n─▒ kontrol eder. Nesnenin kabaca do─čru yerde olup olmad─▒─č─▒na odaklan─▒r, m├╝kemmel yerle┼čtirme gerektirmez. Modelin nesneleri tespit etmede genel olarak iyi olup olmad─▒─č─▒n─▒ g├Ârmeye yard─▒mc─▒ olur.
  • mAP@.5:.95: 0,05'lik art─▒┼člarla 0,5 ila 0,95 aras─▒nda birden fazla IoU e┼či─činde hesaplanan mAP de─čerlerinin ortalamas─▒n─▒ al─▒r. Bu metrik daha ayr─▒nt─▒l─▒ ve kat─▒d─▒r. Modelin farkl─▒ kat─▒l─▒k seviyelerinde nesneleri ne kadar do─čru bulabildi─čine dair daha kapsaml─▒ bir resim verir ve ├Âzellikle hassas nesne tespiti gerektiren uygulamalar i├žin kullan─▒┼čl─▒d─▒r.

Di─čer mAP ├Âl├ž├╝mleri aras─▒nda 0,75'lik daha kat─▒ bir IoU e┼či─či kullanan mAP@0.75 ve farkl─▒ boyutlardaki nesneler aras─▒nda hassasiyeti de─čerlendiren mAP@k├╝├ž├╝k, orta ve b├╝y├╝k yer al─▒r.

Ortalama Ortalama Hassasiyet Genel Bak─▒┼č

De─čerlendirmek YOLOv8 Model Performans─▒

YOLOv8 ile ilgili olarak, modeli de─čerlendirmek i├žin do─črulama modunu kullanabilirsiniz. Ayr─▒ca, YOLOv8 performans metriklerini ve bunlar─▒n nas─▒l yorumlanabilece─čini derinlemesine inceleyen k─▒lavuzumuza g├Âz atmay─▒ unutmay─▒n.

Toplulukla ─░lgili S─▒k Sorulan Sorular

De─čerlendirirken YOLOv8 modelinde, birka├ž h─▒├žk─▒r─▒kla kar┼č─▒la┼čabilirsiniz. Yayg─▒n topluluk sorular─▒na dayanarak, bilgisayar─▒n─▒zdan en iyi ┼čekilde yararlanman─▒za yard─▒mc─▒ olacak baz─▒ ipu├žlar─▒n─▒ burada bulabilirsiniz. YOLOv8 model:

De─či┼čken G├Âr├╝nt├╝ Boyutlar─▒n─▒ ─░┼čleme

De─čerlendirmenizi YOLOv8 Farkl─▒ boyutlardaki g├Âr├╝nt├╝lere sahip model, ├že┼čitli veri k├╝melerindeki performans─▒n─▒ anlaman─▒za yard─▒mc─▒ olabilir. Kullanma rect=true do─črulama parametresi, YOLOv8 G├Âr├╝nt├╝ boyutlar─▒na g├Âre her parti i├žin a─č─▒n ad─▒m─▒n─▒ ayarlar ve modelin dikd├Ârtgen g├Âr├╝nt├╝leri tek bir boyuta zorlamadan i┼člemesine olanak tan─▒r.

Bu imgsz do─črulama parametresi, varsay─▒lan olarak 640 olan g├Âr├╝nt├╝ yeniden boyutland─▒rma i├žin maksimum boyutu ayarlar. Bunu veri setinizin maksimum boyutlar─▒na ve mevcut GPU belle─čine g├Âre ayarlayabilirsiniz. ile bile imgsz ayarlamak rect=true Ad─▒m─▒ dinamik olarak ayarlayarak modelin de─či┼čen g├Âr├╝nt├╝ boyutlar─▒n─▒ etkili bir ┼čekilde y├Ânetmesini sa─člar.

Eri┼čme YOLOv8 ├ľl├ž├╝m

Kendinizi daha iyi anlamak istiyorsan─▒z YOLOv8 modelin performans─▒, belirli de─čerlendirme metriklerine birka├ž sat─▒rla kolayca eri┼čebilirsiniz. Python kod. A┼ča─č─▒daki kod par├žac─▒─č─▒, modelinizi y├╝klemenize, bir de─čerlendirme ├žal─▒┼čt─▒rman─▒za ve modelinizin ne kadar iyi performans g├Âsterdi─čini g├Âsteren ├že┼čitli ├Âl├ž├╝mleri yazd─▒rman─▒za olanak tan─▒r.

Kullan─▒m

from ultralytics import YOLO

# Load the model
model = YOLO("yolov8n.pt")

# Run the evaluation
results = model.val(data="coco8.yaml")

# Print specific metrics
print("Class indices with average precision:", results.ap_class_index)
print("Average precision for all classes:", results.box.all_ap)
print("Average precision:", results.box.ap)
print("Average precision at IoU=0.50:", results.box.ap50)
print("Class indices for average precision:", results.box.ap_class_index)
print("Class-specific results:", results.box.class_result)
print("F1 score:", results.box.f1)
print("F1 score curve:", results.box.f1_curve)
print("Overall fitness score:", results.box.fitness)
print("Mean average precision:", results.box.map)
print("Mean average precision at IoU=0.50:", results.box.map50)
print("Mean average precision at IoU=0.75:", results.box.map75)
print("Mean average precision for different IoU thresholds:", results.box.maps)
print("Mean results for different metrics:", results.box.mean_results)
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Precision:", results.box.p)
print("Precision curve:", results.box.p_curve)
print("Precision values:", results.box.prec_values)
print("Specific precision metrics:", results.box.px)
print("Recall:", results.box.r)
print("Recall curve:", results.box.r_curve)

results nesnesi ayr─▒ca i┼člem ├Âncesi s├╝re, ├ž─▒kar─▒m s├╝resi, kay─▒p ve i┼člem sonras─▒ s├╝re gibi h─▒z ├Âl├ž├╝mlerini de i├žerir. Bu metrikleri analiz ederek, ince ayar yapabilir ve optimize edebilirsiniz. YOLOv8 Daha iyi performans i├žin modelleyin, ├Âzel kullan─▒m durumunuz i├žin daha etkili hale getirin.

─░nce Ayar Nas─▒l ├çal─▒┼č─▒r?

─░nce ayar, ├Ânceden e─čitilmi┼č bir modeli almay─▒ ve belirli bir g├Ârev veya veri k├╝mesindeki performans─▒ art─▒rmak i├žin parametrelerini ayarlamay─▒ i├žerir. Model yeniden e─čitimi olarak da bilinen i┼člem, modelin ger├žek d├╝nya uygulamalar─▒nda kar┼č─▒la┼čaca─č─▒ belirli veriler i├žin sonu├žlar─▒ daha iyi anlamas─▒na ve tahmin etmesine olanak tan─▒r. En iyi sonu├žlar─▒ elde etmek i├žin modelinizi model de─čerlendirmenize g├Âre yeniden e─čitebilirsiniz.

Modelinize ─░nce Ayar Yapmak ─░├žin ─░pu├žlar─▒

Bir modele ince ayar yapmak, optimum performans elde etmek i├žin ├že┼čitli hayati parametrelere ve tekniklere ├žok dikkat etmek anlam─▒na gelir. ─░┼čte s├╝re├ž boyunca size rehberlik edecek baz─▒ temel ipu├žlar─▒.

Daha Y├╝ksek Bir ├ľ─črenme Oran─▒yla Ba┼člamak

Genellikle, ilk e─čitim d├Ânemlerinde, ├Â─črenme oran─▒ d├╝┼č├╝k ba┼člar ve e─čitim s├╝recini stabilize etmek i├žin kademeli olarak artar. Ancak, modeliniz ├Ânceki veri k├╝mesinden baz─▒ ├Âzellikleri zaten ├Â─črendi─činden, hemen daha y├╝ksek bir ├Â─črenme oran─▒yla ba┼člamak daha faydal─▒ olabilir.

De─čerlendirirken YOLOv8 modelini, ayarlayabilirsiniz warmup_epochs do─črulama parametresini warmup_epochs=0 ├Â─črenme oran─▒n─▒n ├žok y├╝ksek ba┼člamas─▒n─▒ ├Ânlemek i├žin. Bu s├╝reci takip ederek, e─čitim, yeni verilerinizin n├╝anslar─▒na uyum sa─člayarak sa─članan a─č─▒rl─▒klardan devam edecektir.

K├╝├ž├╝k Nesneler i├žin G├Âr├╝nt├╝ D├Â┼čeme

G├Âr├╝nt├╝ d├Â┼čeme, k├╝├ž├╝k nesneler i├žin alg─▒lama do─črulu─čunu art─▒rabilir. 1280x1280 boyutlar─▒ndaki g├Âr├╝nt├╝leri birden ├žok 640x640 par├žaya b├Âlmek gibi daha b├╝y├╝k g├Âr├╝nt├╝leri daha k├╝├ž├╝k par├žalara b├Âlerek orijinal ├ž├Âz├╝n├╝rl├╝─č├╝ korursunuz ve model y├╝ksek ├ž├Âz├╝n├╝rl├╝kl├╝ par├žalardan ├Â─črenebilir. Kullan─▒rken YOLOv8, bu yeni segmentler i├žin etiketlerinizi do─čru ┼čekilde ayarlad─▒─č─▒n─▒zdan emin olun.

Toplulukla etkile┼čim kurun

Fikirlerinizi ve sorular─▒n─▒z─▒ di─čer g├Âr├╝nt├╝ i┼čleme merakl─▒lar─▒yla payla┼čmak, projelerinizdeki engellere yarat─▒c─▒ ├ž├Âz├╝mler i├žin ilham verebilir. ─░┼čte ├Â─črenmenin, sorun gidermenin ve ba─člant─▒ kurman─▒n baz─▒ m├╝kemmel yollar─▒.

Yard─▒m ve Destek Bulma

  • GitHub Sorunlar─▒: YOLOv8 GitHub deposunu ke┼čfedin ve soru sormak, hata bildirmek ve ├Âzellik ├Ânermek i├žin Sorunlar sekmesini kullan─▒n. Topluluk ve bak─▒mc─▒lar kar┼č─▒la┼čt─▒─č─▒n─▒z her t├╝rl├╝ sorunda size yard─▒mc─▒ olmaya haz─▒rd─▒r.
  • Ultralytics Discord Sunucusu: Di─čer kullan─▒c─▒lar ve geli┼čtiricilerle ba─člant─▒ kurmak, destek almak, bilgi payla┼čmak ve beyin f─▒rt─▒nas─▒ yapmak i├žin Ultralytics Discord sunucusuna kat─▒l─▒n.

Resmi Belgeler

  • Ultralytics YOLOv8 Dok├╝mantasyon: ├çe┼čitli bilgisayarla g├Ârme g├Ârevleri ve projeleri hakk─▒nda kapsaml─▒ k─▒lavuzlar ve de─čerli bilgiler i├žin resmi YOLOv8 belgelerine g├Âz at─▒n.

Son D├╝┼č├╝ncelerimiz

G├Âr├╝nt├╝ i┼čleme modelinizi de─čerlendirmek ve ince ayar yapmak, ba┼čar─▒l─▒ model da─č─▒t─▒m─▒ i├žin ├Ânemli ad─▒mlard─▒r. Bu ad─▒mlar, modelinizin do─čru, verimli ve genel uygulaman─▒za uygun oldu─čundan emin olman─▒za yard─▒mc─▒ olur. M├╝mk├╝n olan en iyi modeli e─čitmenin anahtar─▒, s├╝rekli deneme ve ├Â─črenmedir. Parametreleri de─či┼čtirmekten, yeni teknikler denemekten ve farkl─▒ veri k├╝melerini ke┼čfetmekten ├žekinmeyin. Denemeye ve m├╝mk├╝n olan─▒n s─▒n─▒rlar─▒n─▒ zorlamaya devam edin!

SSS

YOLOv8 model performans─▒n─▒ de─čerlendirmek i├žin temel ├Âl├ž├╝tler nelerdir?

YOLOv8 model performans─▒n─▒ de─čerlendirmek i├žin ├Ânemli ├Âl├ž├╝tler aras─▒nda G├╝ven Puan─▒, Birlik ├ťzerinden Kesi┼čim (IoU) ve Ortalama Ortalama Kesinlik (mAP) yer al─▒r. G├╝ven Puan─▒, tespit edilen her nesne s─▒n─▒f─▒ i├žin modelin kesinli─čini ├Âl├žer. IoU, tahmin edilen s─▒n─▒rlay─▒c─▒ kutunun zemin ger├že─či ile ne kadar iyi ├Ârt├╝┼čt├╝─č├╝n├╝ de─čerlendirir. Ortalama Hassasiyet (mAP), s─▒n─▒flar aras─▒nda hassasiyet puanlar─▒n─▒ toplar. mAP@.5 ve mAP@.5:.95, de─či┼čen IoU e┼čikleri i├žin iki yayg─▒n t├╝rd├╝r. Bu metrikler hakk─▒nda daha fazla bilgiyi YOLOv8 performans metrikleri k─▒lavuzumuzda bulabilirsiniz.

├ľzel veri k├╝mem i├žin ├Ânceden e─čitilmi┼č bir YOLOv8 modeline nas─▒l ince ayar yapabilirim?

├ľnceden e─čitilmi┼č bir YOLOv8 modeline ince ayar yapmak, belirli bir g├Ârev veya veri k├╝mesi ├╝zerindeki performans─▒ art─▒rmak i├žin parametrelerini ayarlamay─▒ i├žerir. Metrikleri kullanarak modelinizi de─čerlendirerek ba┼člay─▒n, ard─▒ndan parametreleri ayarlayarak daha y├╝ksek bir ba┼člang─▒├ž ├Â─črenme oran─▒ belirleyin. warmup_epochs parametresini an─▒nda kararl─▒l─▒k i├žin 0'a ayarlay─▒n. A┼ča─č─▒daki gibi parametreleri kullan─▒n rect=true ├že┼čitli g├Âr├╝nt├╝ boyutlar─▒n─▒ etkili bir ┼čekilde i┼člemek i├žin. Daha ayr─▒nt─▒l─▒ rehberlik i├žin a┼ča─č─▒daki b├Âl├╝m├╝m├╝ze bak─▒n ince ayar YOLOv8 modelleri.

YOLOv8 modelimi de─čerlendirirken de─či┼čken g├Âr├╝nt├╝ boyutlar─▒n─▒ nas─▒l ele alabilirim?

De─čerlendirme s─▒ras─▒nda de─či┼čken g├Âr├╝nt├╝ boyutlar─▒n─▒ i┼člemek i├žin rect=true parametresi YOLOv8, g├Âr├╝nt├╝ boyutlar─▒na g├Âre her parti i├žin a─č─▒n ad─▒m─▒n─▒ ayarlar. Bu imgsz parametresi g├Âr├╝nt├╝ yeniden boyutland─▒rma i├žin maksimum boyutu ayarlar, varsay─▒lan de─čer 640't─▒r. Ayarla imgsz to suit your dataset and GPU memory. For more details, visit our de─či┼čken g├Âr├╝nt├╝ boyutlar─▒n─▒ i┼čleme b├Âl├╝m├╝.

YOLOv8 modelimin ortalama hassasiyetini art─▒rmak i├žin hangi pratik ad─▒mlar─▒ atabilirim?

Bir YOLOv8 modeli i├žin ortalama ortalama hassasiyetin (mAP) iyile┼čtirilmesi birka├ž ad─▒mdan olu┼čur:

  1. Hiperparametreleri Ayarlama: Farkl─▒ ├Â─črenme oranlar─▒, y─▒─č─▒n boyutlar─▒ ve g├Âr├╝nt├╝ b├╝y├╝tmeleri ile denemeler yap─▒n.
  2. Veri Art─▒rma: Farkl─▒ e─čitim ├Ârnekleri olu┼čturmak i├žin Mosaic ve MixUp gibi teknikleri kullan─▒n.
  3. G├Âr├╝nt├╝ D├Â┼čeme: K├╝├ž├╝k nesnelerin alg─▒lama do─črulu─čunu art─▒rmak i├žin daha b├╝y├╝k g├Âr├╝nt├╝leri daha k├╝├ž├╝k karolara b├Âl├╝n. Belirli stratejiler i├žin model ince ayar─▒ hakk─▒ndaki ayr─▒nt─▒l─▒ k─▒lavuzumuza bak─▒n.

Python adresinden YOLOv8 model de─čerlendirme metriklerine nas─▒l eri┼čebilirim?

Python adresini kullanarak YOLOv8 model de─čerlendirme metriklerine a┼ča─č─▒daki ad─▒mlarla eri┼čebilirsiniz:

Kullan─▒m

from ultralytics import YOLO

# Load the model
model = YOLO("yolov8n.pt")

# Run the evaluation
results = model.val(data="coco8.yaml")

# Print specific metrics
print("Class indices with average precision:", results.ap_class_index)
print("Average precision for all classes:", results.box.all_ap)
print("Mean average precision at IoU=0.50:", results.box.map50)
print("Mean recall:", results.box.mr)

Bu metriklerin analiz edilmesi YOLOv8 modelinize ince ayar yapman─▒za ve optimize etmenize yard─▒mc─▒ olur. Daha ayr─▒nt─▒l─▒ bilgi i├žin YOLOv8 metrikleri hakk─▒ndaki k─▒lavuzumuza g├Âz at─▒n.



Olu┼čturma 2024-06-29, G├╝ncelleme 2024-07-05
Yazarlar: glenn-jocher (1), Laughing-q (1), abirami-vina (1)

Yorumlar