Model Testi Rehberi
Giriş
Modelinizi eğittikten ve değerlendirdikten sonra, onu test etme zamanı gelmiştir. Model testi, modelin gerçek dünya senaryolarında ne kadar iyi performans gösterdiğini değerlendirmeyi içerir. Test, doğruluk, güvenilirlik, adalet ve modelin kararlarını anlamanın ne kadar kolay olduğu gibi faktörleri dikkate alır. Amaç, modelin amaçlandığı gibi performans gösterdiğinden, beklenen sonuçları verdiğinden ve uygulamanızın veya projenizin genel hedefine uyduğundan emin olmaktır.
İzle: Makine Öğrenimi Modelleri Nasıl Test Edilir | Bilgisayar Görüntüsünde Veri Sızıntısından Kaçının 🚀
Model testi, model değerlendirmesine oldukça benzerdir, ancak bunlar bir bilgisayar görüşü projesindeki iki ayrı adımdır. Model değerlendirmesi, modelin doğruluğunu değerlendirmek için metrikler ve grafikler içerir. Öte yandan, model testi, modelin öğrenilmiş davranışının beklentilerle aynı olup olmadığını kontrol eder. Bu kılavuzda, bilgisayar görüşü modellerinizi test etme stratejilerini keşfedeceğiz.
Model Testi - Model Değerlendirmesi Karşılaştırması
İlk olarak, bir örnekle model değerlendirmesi ve test arasındaki farkı anlayalım.
Kedileri ve köpekleri tanımak için bir bilgisayar görüşü modeli eğittiğinizi ve bu modeli hayvanları izlemek için bir evcil hayvan mağazasına dağıtmak istediğinizi varsayalım. Model değerlendirme aşamasında, doğruluk, kesinlik, duyarlılık ve F1 skoru gibi metrikleri hesaplamak için etiketli bir veri kümesi kullanırsınız. Örneğin, model belirli bir veri kümesinde kediler ve köpekler arasında ayrım yapmada %98 doğruluğa sahip olabilir.
Değerlendirmeden sonra, modelin kedi ve köpekleri daha çeşitli ve gerçekçi koşullarda ne kadar iyi tanımladığını görmek için bir evcil hayvan mağazasından alınan resimlerle modeli test edersiniz. Kedi ve köpekleri hareket halindeyken, farklı aydınlatma koşullarında veya oyuncak veya mobilya gibi nesnelerle kısmen gizlenmişken doğru bir şekilde etiketleyip etiketleyemediğini kontrol edersiniz. Model testi, modelin kontrollü değerlendirme ortamı dışında beklendiği gibi davrandığını kontrol eder.
Model Testine Hazırlık
Bilgisayar görüşü modelleri, kalıpları algılayarak, tahminlerde bulunarak ve performanslarını değerlendirerek veri kümelerinden öğrenir. Bu veri kümeleri, gerçek dünya koşullarını simüle etmek için genellikle eğitim ve test kümelerine ayrılır. Eğitim verileri modele öğretirken, test verileri doğruluğunu doğrular.
Modelinizi test etmeden önce aklınızda bulundurmanız gereken iki nokta:
- Gerçekçi Temsil: Daha önce görülmemiş test verileri, modelin dağıtıldığında ele alması gereken verilere benzer olmalıdır. Bu, modelin yetenekleri hakkında gerçekçi bir anlayış edinmeye yardımcı olur.
- Yeterli Boyut: Test veri kümesinin boyutu, modelin ne kadar iyi performans gösterdiği hakkında güvenilir bilgiler sağlamak için yeterince büyük olmalıdır.
Bilgisayar Görüşü Modelinizi Test Etme
İşte bilgisayar görüşü modelinizi test etmek ve performansını anlamak için atmanız gereken temel adımlar.
- Tahminleri Çalıştır: Test veri kümesi üzerinde tahminler yapmak için modeli kullanın.
- Tahminleri Karşılaştırın: Modelin tahminlerinin gerçek etiketlerle (ground truth) ne kadar iyi eşleştiğini kontrol edin.
- Performans Metriklerini Hesaplayın:Modelin güçlü ve zayıf yönlerini anlamak için doğruluk, kesinlik, geri çağırma ve F1 skoru gibi ölçümleri hesaplayın. Testler, bu metriklerin gerçek dünya performansını nasıl yansıttığına odaklanır.
- Sonuçları Görselleştirin: Karışıklık matrisleri ve ROC eğrileri gibi görsel yardımcılar oluşturun. Bunlar, modelin pratik uygulamalarda iyi performans göstermediği belirli alanları tespit etmenize yardımcı olur.
Ardından, test sonuçları analiz edilebilir:
- Yanlış Sınıflandırılmış Görüntüler: Modelin yanlış sınıflandırdığı görüntüleri belirleyin ve nerede yanlış yaptığını anlamak için inceleyin.
- Hata Analizi: Hata türlerini (örneğin, yanlış pozitifler ve yanlış negatifler) ve bunların potansiyel nedenlerini anlamak için kapsamlı bir hata analizi yapın.
- Yanlılık ve Adalet: Modelin tahminlerindeki herhangi bir yanlılığı kontrol edin. Modelin, özellikle ırk, cinsiyet veya yaş gibi hassas özellikler içeriyorsa, verilerin farklı alt kümelerinde eşit derecede iyi performans gösterdiğinden emin olun.
YOLO26 Modelinizi Test Etme
YOLO26 modelinizi test etmek için doğrulama modunu kullanabilirsiniz. Bu, modelin güçlü yönlerini ve iyileştirilmesi gereken alanları anlamanın basit bir yoludur. Ayrıca, test veri kümenizi YOLO26 için doğru şekilde biçimlendirmeniz gerekecektir. Doğrulama modunun nasıl kullanılacağı hakkında daha fazla bilgi için Model Doğrulama belgeleri sayfasına göz atın.
YOLO26 Kullanarak Birden Fazla Test Görüntüsü Üzerinde Tahmin Yapma
Eğitilmiş YOLO26 modelinizi bir klasörde depolanan birden fazla görüntü üzerinde test etmek isterseniz, bunu tek seferde kolayca yapabilirsiniz. Genellikle bir doğrulama kümesi üzerinde model performansını değerlendirmek ve ayrıntılı metrikler sağlamak için kullanılan doğrulama modunu kullanmak yerine, yalnızca test kümenizdeki tüm görüntüler üzerinde tahminleri görmek isteyebilirsiniz. Bunun için tahmin modunu kullanabilirsiniz.
Doğrulama ve Tahmin Modları Arasındaki Fark
- Doğrulama Modu: Modelin performansını, tahminleri bilinen etiketlerle (gerçek değer) karşılaştırarak değerlendirmek için kullanılır. Doğruluk, kesinlik, geri çağırma ve F1 skoru gibi ayrıntılı metrikler sağlar.
- Tahmin Modu: Modeli yeni, görülmemiş veriler üzerinde tahminler oluşturmak için kullanılır. Ayrıntılı performans metrikleri sağlamaz, ancak modelin gerçek dünya görüntülerinde nasıl performans gösterdiğini görmenizi sağlar.
Özel Eğitim Olmadan YOLO26 Tahminlerini Çalıştırma
Temel YOLO26 modelini, özel eğitim olmadan uygulamanız için kullanılıp kullanılamayacağını anlamak amacıyla test etmekle ilgileniyorsanız, tahmin modunu kullanabilirsiniz. Model COCO gibi veri kümeleri üzerinde önceden eğitilmiş olsa da, kendi veri kümeniz üzerinde tahminler çalıştırmak, belirli bağlamınızda ne kadar iyi performans gösterebileceği hakkında hızlı bir fikir verebilir.
Makine Öğrenmesinde Aşırı Uyum (Overfitting) ve Eksik Uyum (Underfitting)
Özellikle bilgisayar görüşünde bir makine öğrenimi modelini test ederken, aşırı öğrenme ve yetersiz öğrenmeye karşı dikkatli olmak önemlidir. Bu sorunlar, modelinizin yeni verilerle ne kadar iyi çalıştığını önemli ölçüde etkileyebilir.
Aşırı Uyum (Overfitting)
Aşırı Uyum (Overfitting), modelinizin eğitim verilerini, yeni verilere genellenmeyen gürültü ve ayrıntılar da dahil olmak üzere çok iyi öğrendiği zaman meydana gelir. Bilgisayarlı görüde bu, modelinizin eğitim görüntüleriyle harika sonuçlar verebileceği, ancak yeni görüntülerle zorlanabileceği anlamına gelir.
Aşırı Uyum Belirtileri
- Yüksek Eğitim Doğruluğu, Düşük Doğrulama Doğruluğu: Modeliniz eğitim verilerinde çok iyi performans gösterirken doğrulama veya test verilerinde kötü performans gösteriyorsa, büyük olasılıkla aşırı öğrenme (overfitting) söz konusudur.
- Görsel İnceleme: Bazen, modeliniz resimlerdeki küçük değişikliklere veya ilgisiz ayrıntılara karşı çok duyarlıysa aşırı öğrenmeyi görebilirsiniz.
Eksik Uyum (Underfitting)
Eksik uyum, modelinizin verilerdeki temel örüntüleri yakalayamadığı durumlarda meydana gelir. Bilgisayarlı görüde, eksik uyan bir model eğitim görüntülerindeki nesneleri doğru bir şekilde tanıyamayabilir bile.
Eksik Uyum Belirtileri
- Düşük Eğitim Doğruluğu: Modeliniz eğitim setinde yüksek doğruluk elde edemiyorsa, yetersiz öğrenme (underfitting) sorunu olabilir.
- Görsel Yanlış Sınıflandırma: Bariz özellikleri veya nesneleri tanımada tutarlı başarısızlık, yetersiz öğrenmeyi gösterir.
Aşırı Uyum ve Yetersiz Uyumun Dengelenmesi
Buradaki önemli nokta, aşırı öğrenme (overfitting) ve yetersiz öğrenme (underfitting) arasında bir denge bulmaktır. İdeal olarak, bir model hem eğitim hem de doğrulama veri kümelerinde iyi performans göstermelidir. Modelinizin performansını metrikler ve görsel incelemeler yoluyla düzenli olarak izlemek ve doğru stratejileri uygulamak, en iyi sonuçları elde etmenize yardımcı olabilir.
Bilgisayar Görüntüsünde Veri Sızıntısı ve Bundan Nasıl Kaçınılır
Modelinizi test ederken, akılda tutulması gereken önemli bir şey veri sızıntısıdır. Veri sızıntısı, eğitim veri kümesinin dışından gelen bilgilerin yanlışlıkla modeli eğitmek için kullanılması durumunda meydana gelir. Model, eğitim sırasında çok doğru görünebilir, ancak veri sızıntısı meydana geldiğinde yeni, görülmemiş veriler üzerinde iyi performans göstermez.
Veri Sızıntısı Neden Olur
Veri sızıntısını tespit etmek zor olabilir ve genellikle eğitim verilerindeki gizli eğilimlerden kaynaklanır. Bilgisayarla görme alanında bunun olabileceği bazı yaygın yollar şunlardır:
- Kamera Yanlılığı: Farklı açılar, aydınlatma, gölgeler ve kamera hareketleri istenmeyen desenler oluşturabilir.
- Örtüşme Yanlılığı: Görüntülerdeki logolar, zaman damgaları veya diğer örtüşmeler modeli yanıltabilir.
- Yazı Tipi ve Nesne Yanlılığı: Belirli sınıflarda sıkça görünen belirli yazı tipleri veya nesneler, modelin öğrenmesini çarpıtabilir.
- Konumsal Yanlılık: Ön plan-arka plan, sınırlayıcı kutu dağılımlarındaki ve nesne konumlarındaki dengesizlikler eğitimi etkileyebilir.
- Etiket ve Alan Sapması: Yanlış etiketler veya veri türlerindeki kaymalar sızıntıya yol açabilir.
Veri Sızıntısını Tespit Etme
Veri sızıntısını bulmak için şunları yapabilirsiniz:
- Performansı Kontrol Edin: Modelin sonuçları şaşırtıcı derecede iyiyse, sızıntı yapıyor olabilir.
- Özellik Önemine Bakın: Bir özellik diğerlerinden çok daha önemliyse, bu sızıntıya işaret edebilir.
- Görsel İnceleme: Modelin kararlarının sezgisel olarak mantıklı olup olmadığını iki kez kontrol edin.
- Veri Ayrımını Doğrulayın: Herhangi bir işleme başlamadan önce verilerin doğru şekilde bölündüğünden emin olun.
Veri Sızıntısından Kaçınma
Veri sızıntısını önlemek için, farklı kameralardan ve ortamlardan görüntüler veya videolar içeren çeşitli bir veri kümesi kullanın. Verilerinizi dikkatlice inceleyin ve tüm pozitif örneklerin günün belirli bir saatinde alınması gibi gizli bir yanlılık olmadığından emin olun. Veri sızıntısından kaçınmak, bilgisayarlı görü modellerinizi gerçek dünya durumlarında daha güvenilir ve etkili hale getirmeye yardımcı olacaktır.
Model Testinden Sonra Ne Gelir
Modelinizi test ettikten sonra, sonraki adımlar sonuçlara bağlıdır. Modeliniz iyi performans gösterirse, onu gerçek dünya ortamına dağıtabilirsiniz. Sonuçlar tatmin edici değilse, iyileştirmeler yapmanız gerekecektir. Bu, hataları analiz etmeyi, daha fazla veri toplamayı, veri kalitesini iyileştirmeyi, hiperparametreleri ayarlamayı ve modeli yeniden eğitmeyi içerebilir.
Yapay Zeka Sohbetine Katılın
Bilgisayar görüşü meraklılarından oluşan bir topluluğun parçası olmak, sorunları çözmede ve daha verimli öğrenmede yardımcı olabilir. İşte bağlantı kurmanın, yardım istemenin ve düşüncelerinizi paylaşmanın bazı yolları.
Topluluk Kaynakları
- GitHub Sorunları: YOLO26 GitHub deposunu keşfedin ve Sorunlar sekmesini kullanarak sorular sorun, hataları bildirin ve yeni özellikler önerin. Topluluk ve sürdürücüler çok aktif ve yardıma hazır.
- Ultralytics Discord Sunucusu: Diğer kullanıcılar ve geliştiricilerle sohbet etmek, destek almak ve deneyimlerinizi paylaşmak için Ultralytics Discord sunucusuna katılın.
Resmi Belgelendirme
- Ultralytics YOLO26 Dokümantasyonu: Çeşitli bilgisayar görüşü projeleri hakkında ayrıntılı kılavuzlar ve faydalı ipuçları için resmi YOLO26 dokümantasyonuna göz atın.
Bu kaynaklar, zorlukların üstesinden gelmenize ve bilgisayar görüşü topluluğundaki en son trendler ve uygulamalar hakkında güncel kalmanıza yardımcı olacaktır.
Özetle
Güvenilir bilgisayar görüşü modelleri oluşturmak, titiz model testine dayanır. Modeli daha önce görülmemiş verilerle test ederek, onu analiz edebilir ve aşırı uyum ve veri sızıntısı gibi zayıflıkları tespit edebiliriz. Dağıtımdan önce bu sorunları ele almak, modelin gerçek dünya uygulamalarında iyi performans göstermesine yardımcı olur. Model testinin, modelin uzun vadeli başarısını ve etkinliğini garanti etmede model değerlendirmesi kadar önemli olduğunu unutmamak önemlidir.
SSS
Bilgisayarla görme alanında model değerlendirmesi ve model testi arasındaki temel farklar nelerdir?
Model değerlendirmesi ve model testi, bir bilgisayar görüşü projesindeki farklı adımlardır. Model değerlendirmesi, modelin kontrollü bir veri kümesiyle performansına ilişkin bilgiler sağlayan doğruluk, kesinlik, geri çağırma ve F1 skoru gibi metrikleri hesaplamak için etiketli bir veri kümesi kullanmayı içerir. Model testi ise, modelin öğrenilmiş davranışının değerlendirme ortamı dışındaki beklentilerle uyumlu olmasını sağlayarak, modeli yeni, görülmemiş verilere uygulayarak modelin gerçek dünya senaryolarındaki performansını değerlendirir. Ayrıntılı bir kılavuz için, bir bilgisayar görüşü projesindeki adımlara bakın.
Ultralytics YOLO26 modelimi birden fazla görüntü üzerinde nasıl test edebilirim?
Ultralytics YOLO26 modelinizi birden fazla görüntü üzerinde test etmek için tahmin modunu kullanabilirsiniz. Bu mod, modeli yeni, görülmemiş veriler üzerinde çalıştırarak ayrıntılı metrikler sağlamadan tahminler üretmenize olanak tanır. Bu, bir klasörde depolanan daha büyük görüntü kümeleri üzerinde gerçek dünya performans testi için idealdir. Performans metriklerini değerlendirmek için bunun yerine doğrulama modunu kullanın.
Bilgisayar görüşü modelim aşırı öğrenme veya yetersiz öğrenme belirtileri gösteriyorsa ne yapmalıyım?
Aşırı uyumu ele almak için:
- Dropout gibi düzenlileştirme (Regularization) teknikleri.
- Eğitim veri kümesinin boyutunu artırın.
- Model mimarisini basitleştirin.
Eksik uyumu ele almak için:
- Daha karmaşık bir model kullanın.
- Daha alakalı özellikler sağlayın.
- Eğitim yinelemelerini veya evreleri artırın.
Yanlış sınıflandırılmış görüntüleri inceleyin, kapsamlı hata analizi yapın ve bir dengeyi korumak için düzenli olarak performans metriklerini track edin. Bu kavramlar hakkında daha fazla bilgi için Aşırı Uyum ve Yetersiz Uyum bölümümüzü inceleyin.
Bilgisayar görüşünde veri sızıntısını nasıl tespit edebilir ve önleyebilirim?
Veri sızıntısını tespit etmek için:
- Test performansının olağandışı derecede yüksek olmadığından emin olun.
- Beklenmedik içgörüler için özellik önemini kontrol edin.
- Model kararlarını sezgisel olarak inceleyin.
- İşlemden önce doğru veri bölümlemesini sağlayın.
Veri sızıntısını önlemek için:
- Çeşitli ortamlara sahip farklı veri kümeleri kullanın.
- Gizli eğilimler için verileri dikkatlice inceleyin.
- Eğitim ve test setleri arasında örtüşen bilgi olmadığından emin olun.
Veri sızıntısını önlemeye yönelik ayrıntılı stratejiler için Bilgisayarlı Görüde Veri Sızıntısı bölümümüze bakın.
Bilgisayar görüşü modelimi test ettikten sonra hangi adımları atmalıyım?
Test sonrası, model performansı proje hedeflerini karşılıyorsa, dağıtıma geçin. Sonuçlar tatmin edici değilse, şunları göz önünde bulundurun:
- Hata analizi.
- Daha çeşitli ve yüksek kaliteli veriler toplamak.
- Hiperparametre ayarlama.
- Modeli yeniden eğitme.
Gerçek dünya uygulamalarında modelin etkinliğini iyileştirmek ve geliştirmek için Model Testi ve Model Değerlendirmesi bölümünden bilgi edinin.
Özel eğitim olmadan YOLO26 tahminlerini nasıl çalıştırırım?
Önceden eğitilmiş YOLO26 modelini veri kümeniz üzerinde kullanarak, uygulama ihtiyaçlarınıza uygun olup olmadığını görmek için tahminler çalıştırabilirsiniz. Özel eğitime girmeden performans sonuçları hakkında hızlı bir fikir edinmek için tahmin modunu kullanın.
