Model Testine İlişkin Bir Kılavuz

Giriş

Modelinizi eğittikten ve değerlendirdikten sonra sıra onu test etmeye gelir. Model testi, gerçek dünya senaryolarında ne kadar iyi performans gösterdiğinin değerlendirilmesini içerir. Testler doğruluk, güvenilirlik, adalet ve modelin kararlarını anlamanın ne kadar kolay olduğu gibi faktörleri göz önünde bulundurur. Amaç, modelin amaçlandığı gibi çalıştığından, beklenen sonuçları verdiğinden ve uygulamanızın veya projenizin genel hedefine uygun olduğundan emin olmaktır.

Model testi, model değerlendirmesine oldukça benzer, ancak bir bilgisayarla görme projesinde iki farklı adımdır. Model değerlendirmesi, modelin doğruluğunu değerlendirmek için metrikler ve grafikler içerir. Öte yandan model testi, modelin öğrenilen davranışının beklentilerle aynı olup olmadığını kontrol eder. Bu kılavuzda, bilgisayarla görme modellerinizi test etmeye yönelik stratejileri inceleyeceğiz.

Model Testi Vs. Model Değerlendirme

Öncelikle, bir örnekle model değerlendirme ve test etme arasındaki farkı anlayalım.

Kedileri ve köpekleri tanımak için bir bilgisayarla görme modeli eğittiğinizi ve bu modeli hayvanları izlemek için bir evcil hayvan mağazasına yerleştirmek istediğinizi varsayalım. Model değerlendirme aşamasında, doğruluk, kesinlik, geri çağırma ve F1 puanı gibi ölçütleri hesaplamak için etiketli bir veri kümesi kullanırsınız. Örneğin, model belirli bir veri kümesindeki kedi ve köpekleri ayırt etmede %98'lik bir doğruluğa sahip olabilir.

Değerlendirmeden sonra, daha çeşitli ve gerçekçi koşullarda kedi ve köpekleri ne kadar iyi tanımladığını görmek için modeli bir evcil hayvan dükkanındaki görüntüleri kullanarak test edersiniz. Hareket halindeyken, farklı aydınlatma koşullarında veya oyuncak ya da mobilya gibi nesneler tarafından kısmen gizlendiklerinde kedi ve köpekleri doğru şekilde etiketleyip etiketleyemediğini kontrol edersiniz. Model testi, modelin kontrollü değerlendirme ortamı dışında beklendiği gibi davranıp davranmadığını kontrol eder.

Model Testi için Hazırlık

Bilgisayarla görme modelleri örüntüleri tespit ederek, tahminlerde bulunarak ve performanslarını değerlendirerek veri kümelerinden öğrenir. Bu veri kümeleri genellikle gerçek dünya koşullarını simüle etmek için eğitim ve test kümelerine ayrılır. Eğitim verileri modeli öğretirken test verileri modelin doğruluğunu teyit eder.

İşte modelinizi test etmeden önce aklınızda bulundurmanız gereken iki nokta:

• Gerçekçi Temsil: Daha önce görülmemiş test verileri, modelin dağıtıldığında işlemesi gereken verilere benzer olmalıdır. Bu, modelin yeteneklerinin gerçekçi bir şekilde anlaşılmasına yardımcı olur.
• Yeterli Büyüklük: Test veri kümesinin boyutunun, modelin ne kadar iyi performans gösterdiğine dair güvenilir bilgiler sağlayacak kadar büyük olması gerekir.

Bilgisayarla Görme Modelinizi Test Etme

Bilgisayarla görme modelinizi test etmek ve performansını anlamak için atmanız gereken temel adımları burada bulabilirsiniz.

• Tahminleri Çalıştırın: Test veri kümesi üzerinde tahminler yapmak için modeli kullanın.
• Tahminleri Karşılaştırın: Modelin tahminlerinin gerçek etiketlerle (temel gerçek) ne kadar iyi eşleştiğini kontrol edin.
• Performans Metriklerini Hesaplayın: Modelin güçlü ve zayıf yönlerini anlamak için doğruluk, kesinlik, geri çağırma ve F1 puanı gibi metrikleri 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 göstermeyebileceği belirli alanları tespit etmenize yardımcı olur.

Ardından, test sonuçları analiz edilebilir:

• Yanlış Sınıflandırılmış Görüntüler: Modelin nerede yanlış yaptığını anlamak için yanlış sınıflandırdığı görüntüleri belirleyin ve inceleyin.
• Hata Analizi: Hata türlerini (örn. yanlış pozitifler ve yanlış negatifler) ve bunların olası nedenlerini anlamak için kapsamlı bir hata analizi gerçekleştirin.
• Önyargı ve Adillik: Modelin tahminlerinde herhangi bir önyargı olup olmadığını kontrol edin. Modelin, özellikle ırk, cinsiyet veya yaş gibi hassas nitelikler içeriyorsa, verilerin farklı alt kümelerinde eşit derecede iyi performans gösterdiğinden emin olun.

YOLOv8 Modelinizi Test Etme

YOLOv8 modelinizi test etmek için doğrulama modunu kullanabilirsiniz. Bu, modelin güçlü yönlerini ve geliştirilmesi gereken alanları anlamak için basit bir yoldur. Ayrıca, test veri setinizi YOLOv8 için doğru şekilde biçimlendirmeniz gerekir. Doğrulama modunun nasıl kullanılacağı hakkında daha fazla ayrıntı için Model Doğrulama dokümanları sayfasına göz atın.

Çoklu Test Görüntülerinde Tahminde Bulunmak için YOLOv8 adresini kullanma

Eğitilmiş YOLOv8 modelinizi bir klasörde depolanan birden fazla görüntü üzerinde test etmek istiyorsanız, bunu tek seferde kolayca yapabilirsiniz. Genellikle model performansını bir doğrulama kümesi üzerinde değerlendirmek ve ayrıntılı ölçümler sağlamak için kullanılan doğrulama modunu kullanmak yerine, yalnızca test kümenizdeki tüm görüntüler üzerindeki tahminleri görmek isteyebilirsiniz. Bunun için tahmin modunu kullanabilirsiniz.

Doğrulama ve Tahmin Modları Arasındaki Fark

• Doğrulama Modu: Tahminleri bilinen etiketlerle (ground truth) karşılaştırarak modelin performansını değerlendirmek için kullanılır. Doğruluk, kesinlik, geri çağırma ve F1 puanı gibi ayrıntılı ölçümler sağlar.
• TahminModu: Tahminler oluşturmak için modeli yeni, görülmemiş veriler üzerinde çalıştırmak için kullanılır. Ayrıntılı performans ölçümleri sağlamaz ancak modelin gerçek dünya görüntüleri üzerinde nasıl performans gösterdiğini görmenizi sağlar.

Özel Eğitim Olmadan YOLOv8 Tahminlerini Çalıştırma

Özel eğitim olmadan uygulamanız için kullanılıp kullanılamayacağını anlamak için temel YOLOv8 modelini test etmekle ilgileniyorsanız, tahmin modunu kullanabilirsiniz. Model COCO gibi veri kümeleri üzerinde önceden eğitilmiş olsa da, kendi veri kümeniz üzerinde tahminler çalıştırmak size özel bağlamınızda ne kadar iyi performans gösterebileceği konusunda hızlı bir fikir verebilir.

Makine Öğreniminde Aşırı Uyum ve Yetersiz Uyum

Bir makine öğrenimi modelini test ederken, özellikle de bilgisayarla görme alanında, aşırı uyum ve yetersiz uyuma dikkat etmek önemlidir. Bu sorunlar, modelinizin yeni verilerle ne kadar iyi çalıştığını önemli ölçüde etkileyebilir.

Aşırı Uyum

Aşırı uyum, modeliniz yeni verilere genelleştirilemeyen gürültü ve ayrıntılar da dahil olmak üzere eğitim verilerini çok iyi öğrendiğinde gerçekleşir. Bilgisayarla görmede bu, modelinizin eğitim görüntülerinde harika iş çıkarabileceği ancak yeni görüntülerde 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, muhtemelen aşırı uyum gösteriyordur.
• Görsel İnceleme: Bazen, modeliniz görüntülerdeki küçük değişikliklere veya alakasız ayrıntılara karşı çok hassassa aşırı uyumu görebilirsiniz.

Yetersiz Uyum

Yetersiz uyum, modeliniz verilerdeki altta yatan örüntüleri yakalayamadığında ortaya çıkar. Bilgisayarla görmede, yetersiz uyum sağlayan bir model eğitim görüntülerindeki nesneleri bile doğru tanımayabilir.

Yetersiz Uyum Belirtileri

• Düşük Eğitim Doğruluğu: Modeliniz eğitim setinde yüksek doğruluk elde edemiyorsa, yetersiz uyum sağlıyor olabilir.
• Görsel Yanlış Sınıflandırma: Belirgin özellikleri veya nesneleri tanımada tutarlı başarısızlık, yetersiz uyuma işaret eder.

Aşırı Uyum ve Yetersiz Uyumun Dengelenmesi

Önemli olan, aşırı uyum ile yetersiz uyum arasında bir denge bulmaktır. İdeal olarak, bir model hem eğitim hem de doğrulama veri kümelerinde iyi performans göstermelidir. Doğru stratejileri uygulamanın yanı sıra metrikler ve görsel incelemeler yoluyla modelinizin performansını düzenli olarak izlemek, en iyi sonuçları elde etmenize yardımcı olabilir.

Bilgisayarlı Görüde Veri Kaçağı ve Nasıl Önlenir?

Modelinizi test ederken, akılda tutulması gereken önemli bir husus veri sızıntısıdır. Veri sızıntısı, eğitim veri kümesinin dışındaki bilgiler yanlışlıkla modeli eğitmek için kullanıldığında meydana gelir. Model eğitim sırasında çok doğru görünebilir, ancak veri sızıntısı meydana geldiğinde yeni, görülmemiş veriler üzerinde iyi performans göstermeyecektir.

Veri Sızıntısı Neden Olur?

Veri sızıntısını tespit etmek zor olabilir ve genellikle eğitim verilerindeki gizli önyargılardan kaynaklanır. İşte bilgisayarla görmede meydana gelebilecek bazı yaygın yollar:

• Kamera Önyargısı: Farklı açılar, aydınlatma, gölgeler ve kamera hareketleri istenmeyen desenlere yol açabilir.
• Kaplama Yanlılığı: Görüntülerdeki logolar, zaman damgaları veya diğer kaplamalar modeli yanlış yönlendirebilir.
• Yazı Tipi ve Nesne Önyargısı: Belirli sınıflarda sıklıkla görünen belirli yazı tipleri veya nesneler modelin öğrenmesini çarpıtabilir.
• Uzamsal Yanlılık: Ön plan-arka plan, sınırlayıcı kutu dağılımları ve nesne konumlarındaki dengesizlikler eğitimi etkileyebilir.
• Etiket ve Etki Alanı Yanlılığı: 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 ediyor olabilir.
• Görsel İnceleme: Modelin kararlarının sezgisel olarak mantıklı olup olmadığını iki kez kontrol edin.
• Veri Ayrımını Doğrulayın: Herhangi bir işlemden önce verilerin doğru şekilde ayrıldığından emin olun.

Veri Sızıntısını Önleme

Veri sızıntısını önlemek için, farklı kamera ve ortamlardan alınan görüntü veya videolardan oluşan çeşitli bir veri seti kullanın. Verilerinizi dikkatlice inceleyin ve tüm pozitif örneklerin günün belirli bir saatinde alınması gibi gizli önyargılar olup olmadığını kontrol edin. Veri sızıntısını önlemek, bilgisayarla görme modellerinizin gerçek dünya koşullarında daha güvenilir ve etkili olmasına yardımcı olacaktır.

Model Testinden Sonra Ne Geliyor?

Modelinizi test ettikten sonra, sonraki adımlar sonuçlara bağlıdır. Modeliniz iyi performans gösteriyorsa, 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 Tartışmasına Katılın

Bilgisayarla görme meraklılarından oluşan bir topluluğun parçası olmak, sorunları çözmeye ve daha verimli öğrenmeye yardımcı olabilir. İşte bağlantı kurmanın, yardım almanın ve düşüncelerinizi paylaşmanın bazı yolları.

Toplum Kaynakları

• GitHub Sorunları: YOLOv8 GitHub deposunu keşfedin ve sorular sormak, hataları bildirmek ve yeni özellikler önermek için Sorunlar sekmesini kullanın. Topluluk ve bakımcılar çok aktif ve yardım etmeye hazır.
• Ultralytics Discord Sunucusu: Diğer kullanıcılar ve geliştiricilerle sohbet etmek, destek almak ve deneyimlerinizi paylaşmak için Ultralytics Discord sunucusuna katılın.

Resmi Belgeler

• Ultralytics YOLOv8 Dokümantasyon: Çeşitli bilgisayarla görme projelerine ilişkin ayrıntılı kılavuzlar ve faydalı ipuçları için resmi YOLOv8 belg elerine göz atın.

Bu kaynaklar, zorlukların üstesinden gelmenize ve bilgisayarla görme topluluğundaki en son trendler ve uygulamalar konusunda güncel kalmanıza yardımcı olacaktır.

Özet olarak

Güvenilir bilgisayarla görme modelleri oluşturmak, titiz model testlerine dayanır. Modeli daha önce görülmemiş verilerle test ederek analiz edebilir ve aşırı uyum ve veri sızıntısı gibi zayıflıkları tespit edebiliriz. Dağıtımdan önce bu sorunların ele alınması, modelin gerçek dünya uygulamalarında iyi performans göstermesine yardımcı olur. Model testinin, modelin uzun vadeli başarısını ve etkinliğini garanti altına almak için model değerlendirmesi kadar önemli olduğunu unutmamak önemlidir.

SSS

Bilgisayarla görmede model değerlendirme ve model testi arasındaki temel farklar nelerdir?

Model değerlendirme ve model testi, bir bilgisayarla görme projesinde farklı adımlardır. Model değerlendirmesi, doğruluk, kesinlik, geri çağırma ve F1 puanı gibi ölçütleri hesaplamak için etiketli bir veri kümesinin kullanılmasını içerir ve modelin kontrollü bir veri kümesi ile performansı hakkında bilgi sağlar. Öte yandan model testi, modelin gerçek dünya senaryolarındaki performansını yeni, görülmemiş verilere uygulayarak değerlendirir ve modelin öğrenilen davranışının değerlendirme ortamı dışındaki beklentilerle uyumlu olmasını sağlar. Ayrıntılı bir kılavuz için bilgisayarla görme projesindeki adımlara bakın.

Ultralytics YOLOv8 modelimi birden fazla görüntü üzerinde nasıl test edebilirim?

Ultralytics YOLOv8 modelinizi birden fazla görüntü üzerinde test etmek için tahmin modunu kullanabilirsiniz. Bu mod, ayrıntılı ölçümler sağlamadan tahminler oluşturmak için modeli yeni, görülmemiş veriler üzerinde çalıştırmanıza olanak tanır. Bu, bir klasörde depolanan daha büyük görüntü kümeleri üzerinde gerçek dünya performans testi için idealdir. Performans metriklerini değerlendirmek için bunun yerine doğrulama mod unu kullanın.

Bilgisayarlı görü modelim aşırı uyum veya yetersiz uyum belirtileri gösteriyorsa ne yapmalıyım?

Aşırı uyumu ele almak için:

• Bırakma gibi düzenli hale getirme teknikleri.
• Eğitim veri kümesinin boyutunu artırın.
• Model mimarisini basitleştirin.

Yetersiz uyumu gidermek için:

• Daha karmaşık bir model kullanın.
• Daha alakalı özellikler sağlayın.
• Eğitim iterasyonlarını veya epoklarını artırın.

Yanlış sınıflandırılmış görüntüleri gözden geçirin, kapsamlı hata analizi yapın ve dengeyi korumak için performans metriklerini düzenli olarak izleyin. Bu kavramlar hakkında daha fazla bilgi için Aşırı Uyum ve Yetersiz Uyum bölümümüzü inceleyin.

Bilgisayarla görmede veri sızıntısını nasıl tespit edebilir ve önleyebilirim?

Veri sızıntısını tespit etmek için:

• Test performansının alışılmadık derecede yüksek olmadığını doğrulayın.
• Beklenmedik içgörüler için özelliklerin önemini kontrol edin.
• Model kararlarını sezgisel olarak gözden geçirin.
• İşlemeden önce doğru veri bölümlemesini sağlayın.

Veri sızıntısını önlemek için:

• Çeşitli ortamlarda farklı veri kümeleri kullanın.
• Gizli önyargılar 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.

Bilgisayarlı görü modelimi test ettikten sonra hangi adımları atmalıyım?

Test sonrası, model performansı proje hedeflerini karşılıyorsa, dağıtıma devam edin. Sonuçlar tatmin edici değilse, şunları göz önünde bulundurun:

• Hata analizi.
• Daha çeşitli ve yüksek kaliteli verilerin toplanması.
• Hiperparametre ayarı.
• Modelin yeniden eğitilmesi.

Model Testine Karşı Model Değerlendirmesi bölümünden içgörüler elde edin. Gerçek dünya uygulamalarında model etkinliğini iyileştirmek ve geliştirmek için Model Değerlendirme bölümü.

Özel eğitim olmadan YOLOv8 tahminlerini nasıl çalıştırabilirim?

Uygulama ihtiyaçlarınıza uygun olup olmadığını görmek için veri setinizde önceden eğitilmiş YOLOv8 modelini kullanarak tahminleri çalıştırabilirsiniz. Özel eğitime dalmadan performans sonuçları hakkında hızlı bir fikir edinmek için tahmin modunu kullanın.

Yorumlar