Bilgisayarlı Görü Modelleri Nasıl Test Edilir#

Giriş#

Model testi, seçilmiş bir kıyaslama yerine; hareketli, zayıf ışıklı veya kısmen gizlenmiş nesneler gibi daha önce görülmemiş, gerçek dünyadan veriler üzerinde eğitilmiş bir modelin nasıl performans gösterdiğini kontrol eder. Model değerlendirmesi etiketlenmiş bir veri setindeki metrikleri ölçerken, test etme, modelin öğrendiği davranışın dağıtımdan önce uygulamanızın hedefleriyle eşleştiğini doğrular. Bu kılavuz, test verilerini hazırlamayı, Ultralytics YOLO26 modellerini test etmeyi ve aşırı öğrenmeyi, az öğrenmeyi ve veri sızıntısını yakalamayı kapsar.

Model Testi ve Model Değerlendirmesi#

Model testi ve model değerlendirmesi, bir bilgisayarla görü projesindeki iki farklı adımdır. Değerlendirme, etiketlenmiş bir veri setinde metriklerle performansı ölçer; test etme ise modelin öğrendiği davranışın dağıtımı andıran koşullarda geçerli olup olmadığını kontrol eder.

Kedileri ve köpekleri tanımak için bir bilgisayarla görü modeli eğittiğinizi ve hayvanları izlemek için bu modeli bir evcil hayvan mağazasında dağıtmak istediğinizi varsayalım. Model değerlendirme aşamasında; doğruluk, kesinlik ve duyarlılık gibi metrikleri hesaplamak için etiketlenmiş bir veri seti kullanırsınız. Örneğin model, belirli bir veri setindeki kediler ile köpekleri ayırt etmede %98 oranında doğru sonuç verebilir.

Değerlendirmeden sonra, modelin daha değişken ve gerçekçi koşullarda kedi ve köpekleri ne kadar iyi tanımladığını görmek için bir pet shop'tan alınan görüntüleri kullanarak modeli test edersin. Hareket halindeyken, farklı ışık koşullarında veya oyuncak/mobilya gibi nesneler tarafından kısmen gizlendiklerinde kedi ve köpekleri doğru şekilde etiketleyip etiketleyemediğini kontrol edersin. Model testi, modelin kontrollü değerlendirme ortamının dışında beklendiği gibi davranıp davranmadığını denetler.

Model Testine Hazırlık#

Bilgisayarla görü veri setleri, gerçek dünya koşullarını simüle etmek için genellikle eğitim ve test setlerine bölünür: eğitim verisi modele öğretirken, test verisi daha önce hiç görmediği örnekler üzerindeki davranışını doğrular. Ultralytics Platform, veri seti düzenlemesini ve etiketlemesini tek bir yerde tutar; bu da etiketlenmiş bir test seti oluştururken yardımcı olur.

Bir YOLO26 Modeli Nasıl Test Edilir#

Eğitilmiş bir YOLO26 modelini test etmek iki tamamlayıcı iş akışı içerir: nicel metrikler elde etmek için etiketli bir test setinde doğrulama yapmak ve davranışı nitel olarak incelemek için yeni görüntüler üzerinde tahmin yürütmek.

Etiketli Bir Test Setinde Doğrulama#

Doğrulama modu, modelin tahminlerini temel gerçeklik etiketleriyle karşılaştırır ve algılama modelleri için kesinlik, duyarlılık, mAP50 ile mAP50-95 değerlerini bildirir. Ayrıca, modelin iyi performans göstermediği belirli alanları fark etmenize yardımcı olan bir karışıklık matrisi ve kesinlik-duyarlılık eğrisi gibi görsel araçlar kaydeder.

from ultralytics import YOLO

# Load a pretrained model or your own trained checkpoint, e.g. "path/to/best.pt"
model = YOLO("yolo26n.pt")

# Validate; add split="test" if your dataset YAML defines a test split
metrics = model.val(data="coco8.yaml")
print(metrics.box.map)  # mAP50-95

Varsayılan olarak doğrulama, veri setinin val bölümünde çalışır. Ayrılmış bir test setindeki performansı ölçmek için veri seti YAML dosyanızda bir test: bölümü tanımlayın ve split="test" argümanını geçirin.

Yeni Görüntüler Üzerinde Tahmin#

Tahmin modu, modeli etiket gerektirmeden yeni ve görülmemiş veriler üzerinde çalıştırır. Performans metrikleri üretmez ancak etiketlenmiş çıktıları kaydetmek, modelin gerçek dünya görüntülerinde — örneğin test görüntülerinden oluşan bütün bir klasörde tek seferde — nasıl davrandığını incelemenizi sağlar.

from ultralytics import YOLO

# Load a pretrained model or your own trained checkpoint, e.g. "path/to/best.pt"
model = YOLO("yolo26n.pt")

# Run predictions on a folder of test images and save annotated results
results = model.predict(source="path/to/test_images", save=True)

Doğrulama ve Tahmin Modu Karşılaştırması#

Test Sonuçları Nasıl Analiz Edilir#

Tahminler ve metrikler elindeyken, modelin nerede ve neden başarısız olduğunu derinlemesine incele:

• Yanlış sınıflandırılmış görüntüler: Modelin yanlış sınıflandırdığı görüntüleri belirle ve nerede hata yaptığını anlamak için gözden geçir.
• Hata analizi: Hata türlerini (örneğin, yanlış pozitifler ve yanlış negatifler) ve bunların olası nedenlerini anlamak için kapsamlı bir hata analizi yap.
• Önyargı ve adillik: Modelin tahminlerindeki önyargıları kontrol et. Modelin, özellikle ırk, cinsiyet veya yaş gibi hassas nitelikler içeriyorsa, verinin farklı alt kümelerinde eşit derecede iyi performans gösterdiğinden emin ol.

Makine Öğreniminde Aşırı Öğrenme ve Eksik Öğrenme#

Bir makine öğrenimi modelini test ederken, özellikle bilgisayarla görü alanında, aşırı öğrenmeye ve az öğrenmeye karşı dikkatli olmak önemlidir. Bu sorunlar, modelinizin yeni verilerle ne kadar iyi çalıştığını önemli ölçüde etkileyebilir.

Anahtar nokta, modelin hem eğitim hem de doğrulama veri kümelerinde iyi performans göstermesi için bir denge bulmaktır. Metrikleri düzenli olarak izlemek ve test sırasında tahminleri görsel olarak incelemek, uç durumlara kaymaları yakalamana yardımcı olur.

Bilgisayarlı Göründe Veri Sızıntısı ve Bundan Nasıl Kaçınılır#

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 olduğunda yeni ve görülmemiş veriler üzerinde iyi performans göstermez.

Sızıntıyı tespit etmek zor olabilir ve genellikle eğitim verilerindeki gizli önyargılardan kaynaklanır:

Veri Sızıntısı Nasıl Tespit Edilir ve Önlenir#

Veri sızıntısını bulmak için modelin sonuçlarının şaşırtıcı derecede iyi olup olmadığını kontrol et, bir özelliğin diğerlerinden çok daha önemli olup olmadığına bak, modelin kararlarının sezgisel olarak mantıklı olup olmadığını tekrar kontrol et ve herhangi bir işleme başlamadan önce verilerin doğru şekilde ayrıldığını doğrula.

Bunu önlemek için farklı kameralardan ve ortamlardan gelen görüntü veya videoların bulunduğu çeşitli bir veri kümesi kullan ve verilerini tüm pozitif örneklerin günün belirli bir saatinde alınması gibi gizli önyargılara karşı dikkatlice incele. Veri sızıntısından kaçınmak, bilgisayarlı görü modellerini gerçek dünya durumlarında daha güvenilir hale getirir.

Model Testinden Sonra Ne Yapılır#

Modelinizi test ettikten sonraki adımlar, sonuçlara bağlıdır. Modeliniz iyi performans gösterirse onu gerçek dünya ortamına dağıtabilirsiniz. Sonuçlar tatmin edici değilse iyileştirmeler yapmanız gerekir. Bu süreç; hataları analiz etmeyi, daha fazla veri toplamayı, veri kalitesini artırmayı, hiperparametreleri ayarlamayı ve modeli yeniden eğitmeyi içerebilir.

Sonuç#

Titiz bir model testi — ayrılmış bir test bölümünde doğrulama yapma, gerçek dünya görüntüleri üzerinde tahmin yürütme ve aşırı öğrenme ile veri sızıntısını kontrol etme — iyi değerlendirilmiş bir modeli güvenilir bir modele dönüştüren şeydir. Testin ortaya çıkardığı sorunları dağıtımdan önce çözün; böylece modelinizin prodüksiyon ortamında amaçlandığı gibi performans gösterme olasılığı çok daha yüksek olur. Yol boyunca sorularınız olursa Ultralytics GitHub deposunda veya Ultralytics Discord sunucusunda topluluğa sorun.

SSS#