Performans Metriklerine Derinlemesine Bakış#

Giriş#

Performans metrikleri, accuracy ve object detection modellerinin verimliliğini değerlendirmek için temel araçlardır. Bir modelin görüntülerdeki nesneleri ne kadar etkili şekilde tanımlayıp konumlandırabildiğini ortaya koyarlar. Ayrıca modelin yanlış pozitifleri ve yanlış negatifleri nasıl ele aldığını anlamaya yardımcı olurlar. Bu içgörüler, modelin performansını değerlendirmek ve iyileştirmek için kritik öneme sahiptir. Bu kılavuzda YOLO26 ile ilişkili çeşitli performans metriklerini, bunların önemini ve nasıl yorumlanacağını inceleyeceğiz.

Nesne Algılama Metrikleri#

Öncelikle yalnızca YOLO26 için önemli olmayan, farklı nesne algılama modellerinde de genel olarak uygulanabilen bazı metrikleri ele alalım.

• Birleşim Üzerinden Kesişim (IoU): IoU, tahmin edilen bir sınırlayıcı kutu ile gerçek sınırlayıcı kutu arasındaki örtüşmeyi nicel olarak ölçer. Nesne konumlandırma doğruluğunu değerlendirmede temel bir rol oynar.

• Ortalama Kesinlik (AP): AP, kesinlik-duyarlılık eğrisinin altındaki alanı hesaplayarak modelin kesinlik ve duyarlılık performansını tek bir değerle özetler.

• Ortalama Ortalama Kesinlik (mAP): mAP, birden fazla nesne sınıfındaki ortalama AP değerlerini hesaplayarak AP kavramını genişletir. Bu, model performansının kapsamlı bir değerlendirmesini sunmak için çok sınıflı nesne algılama senaryolarında kullanışlıdır.

• Kesinlik ve Duyarlılık: Kesinlik, tüm pozitif tahminler arasındaki doğru pozitiflerin oranını ölçerek modelin yanlış pozitiflerden kaçınma yeteneğini değerlendirir. Buna karşılık duyarlılık, tüm gerçek pozitifler arasındaki doğru pozitiflerin oranını hesaplayarak modelin bir sınıfın tüm örneklerini algılama yeteneğini ölçer.

• F1 Skoru: F1 Skoru, kesinlik ve duyarlılığın harmonik ortalamasıdır; hem yanlış pozitifleri hem de yanlış negatifleri dikkate alarak model performansının dengeli bir değerlendirmesini sunar.

YOLO26 Modeli için Metrikler Nasıl Hesaplanır#

Şimdi, yukarıda ele alınan değerlendirme metriklerini hesaplamak için kullanılabilen YOLO26'nın Doğrulama modunu inceleyebiliriz.

Doğrulama modunu kullanmak basittir. Eğitilmiş bir modelin olduğunda model.val() işlevini çağırabilirsin. Bu işlev, doğrulama veri kümesini işler ve çeşitli performans metrikleri döndürür. Peki bu metrikler ne anlama gelir? Bunları nasıl yorumlamalısın?

Çıktıyı Yorumlama#

model.val() işlevinin çıktısını parçalara ayıralım ve çıktının her bölümünü anlayalım.

Sınıf Bazında Metrikler#

Çıktının bölümlerinden biri, performans metriklerinin sınıf bazında dökümüdür. Bu ayrıntılı bilgiler, özellikle çok çeşitli nesne kategorileri içeren veri kümelerinde modelin her bir sınıf için ne kadar iyi performans gösterdiğini anlamaya çalışırken kullanışlıdır. Veri kümesindeki her sınıf için aşağıdakiler sağlanır:

• Class: "person", "car" veya "dog" gibi nesne sınıfının adını belirtir.

• Images: Bu metrik, doğrulama kümesinde nesne sınıfını içeren görüntülerin sayısını gösterir.

• Instances: Sınıfın doğrulama kümesindeki tüm görüntülerde kaç kez göründüğünü belirtir.

• Box(P, R, mAP50, mAP50-95): Bu metrik, modelin nesneleri algılamadaki performansı hakkında bilgi sağlar:

  • P (Precision): Algılanan nesnelerin doğruluğudur ve algılamaların kaçının doğru olduğunu gösterir.

  • R (Recall): Modelin görüntülerdeki tüm nesne örneklerini tanımlama yeteneğidir.

  • mAP50: 0.50 birleşim üzerinden kesişim (IoU) eşiğinde hesaplanan ortalama ortalama kesinliktir. Yalnızca "kolay" algılamaları dikkate alarak modelin doğruluğunu ölçer.

  • mAP50-95: 0.50 ile 0.95 arasında değişen farklı IoU eşiklerinde hesaplanan ortalama ortalama kesinliğin ortalamasıdır. Modelin farklı algılama zorlukları düzeylerindeki performansına kapsamlı bir bakış sunar.

Hız Metrikleri#

Çıkarım hızı, özellikle gerçek zamanlı nesne algılama senaryolarında doğruluk kadar kritik olabilir. Bu bölüm, ön işlemeden son işleme kadar doğrulama sürecinin çeşitli aşamalarında geçen süreyi ayrıntılandırır.

COCO Metriklerinin Değerlendirilmesi#

COCO veri kümesi üzerinde doğrulama yapan kullanıcılar için COCO değerlendirme betiği kullanılarak ek metrikler hesaplanır. Bu metrikler, farklı IoU eşiklerinde ve farklı boyutlardaki nesneler için kesinlik ve duyarlılık hakkında bilgi sağlar.

Görsel Çıktılar#

model.val() işlevi sayısal metrikler üretmenin yanı sıra modelin performansını daha sezgisel şekilde anlamanı sağlayabilecek görsel çıktılar da üretir. Karşılaşabileceğin görsel çıktılar şöyle ayrıştırılabilir:

• F1 Skoru Eğrisi (BoxF1_curve.png): Bu eğri, çeşitli eşiklerdeki F1 skorunu gösterir. Bu eğriyi yorumlamak, farklı eşiklerde modelin yanlış pozitifler ve yanlış negatifler arasındaki dengesi hakkında bilgi sağlayabilir.

• Kesinlik-Duyarlılık Eğrisi (BoxPR_curve.png): Her sınıflandırma problemi için temel bir görselleştirme olan bu eğri, çeşitli eşiklerde kesinlik ile duyarlılık arasındaki ödünleşimleri gösterir. Dengesiz sınıflarla çalışırken özellikle önem kazanır.

• Kesinlik Eğrisi (BoxP_curve.png): Farklı eşiklerdeki kesinlik değerlerinin grafiksel gösterimidir. Bu eğri, eşik değiştikçe kesinliğin nasıl değiştiğini anlamaya yardımcı olur.

• Duyarlılık Eğrisi (BoxR_curve.png): Buna karşılık bu grafik, farklı eşikler boyunca duyarlılık değerlerinin nasıl değiştiğini gösterir.

• Karmaşıklık Matrisi (confusion_matrix.png): Karmaşıklık matrisi, her sınıf için doğru pozitiflerin, doğru negatiflerin, yanlış pozitiflerin ve yanlış negatiflerin sayılarını göstererek sonuçların ayrıntılı bir görünümünü sunar.

• Normalize Edilmiş Karmaşıklık Matrisi (confusion_matrix_normalized.png): Bu görselleştirme, karmaşıklık matrisinin normalize edilmiş bir sürümüdür. Verileri ham sayılar yerine oranlar olarak gösterir. Bu biçim, sınıflar arasındaki performansı karşılaştırmayı kolaylaştırır.

• Doğrulama Grubu Etiketleri (val_batchX_labels.jpg): Bu görüntüler, doğrulama veri kümesindeki farklı gruplar için gerçek etiketleri gösterir. Nesnelerin ne olduğuna ve veri kümesine göre ilgili konumlarına dair net bir görünüm sunarlar.

• Doğrulama Grubu Tahminleri (val_batchX_pred.jpg): Etiket görüntülerinin aksine bu görseller, YOLO26 modelinin ilgili gruplar için yaptığı tahminleri gösterir. Bunları etiket görüntüleriyle karşılaştırarak modelin nesneleri görsel olarak ne kadar iyi algılayıp sınıflandırdığını kolayca değerlendirebilirsin.

Algılama, segmentasyon ve poz görevlerinde eğri grafikleri metrik türüyle ön eklenir: algılama Box* eğrilerini, segmentasyon hem Box* hem de Mask* eğrilerini, poz ise hem Box* hem de Pose* eğrilerini yazar.

Sonuçların Depolanması#

İleride başvurabilmen için sonuçlar, genellikle runs/detect/val olarak adlandırılan bir dizine kaydedilir.

Doğru Metrikleri Seçme#

Değerlendirme için doğru metrikleri seçmek çoğu zaman belirli uygulamaya bağlıdır.

• mAP: Model performansının genel bir değerlendirmesi için uygundur.

• IoU: Nesnenin hassas konumu kritik olduğunda gereklidir.

• Kesinlik: Yanlış algılamaları en aza indirmek öncelik olduğunda önemlidir.

• Duyarlılık: Bir nesnenin her örneğini algılamak önemli olduğunda hayati öneme sahiptir.

• F1 Skoru: Kesinlik ve duyarlılık arasında denge gerektiğinde kullanışlıdır.

Gerçek zamanlı uygulamalarda FPS (Saniye Başına Kare) ve gecikme gibi hız metrikleri, sonuçların zamanında alınmasını sağlamak için kritik öneme sahiptir.

Sonuçların Yorumlanması#

Metrikleri anlamak önemlidir. Sık gözlemlenen bazı düşük skorlar şu anlamlara gelebilir:

• Düşük mAP: Modelin genel iyileştirmelere ihtiyaç duyabileceğini gösterir.

• Düşük IoU: Model nesnelerin konumunu doğru şekilde belirlemekte zorlanıyor olabilir. Farklı sınırlayıcı kutu yöntemleri yardımcı olabilir.

• Düşük Kesinlik: Model var olmayan çok fazla nesne algılıyor olabilir. Güven eşiklerini ayarlamak bunu azaltabilir.

• Düşük Duyarlılık: Model gerçek nesneleri kaçırıyor olabilir. Özellik çıkarımını iyileştirmek veya daha fazla veri kullanmak yardımcı olabilir.

• Dengesiz F1 Skoru: Kesinlik ve duyarlılık arasında bir eşitsizlik vardır.

• Sınıfa Özgü AP: Buradaki düşük skorlar, modelin zorlandığı sınıfları ortaya çıkarabilir.

Örnek Olaylar#

Gerçek dünya örnekleri, bu metriklerin uygulamada nasıl çalıştığını açıklığa kavuşturmaya yardımcı olabilir.

Örnek Olay 1#

• Durum: mAP ve F1 Skoru optimal değil, ancak Duyarlılık iyi iken Kesinlik iyi değil.

• Yorum ve Eylem: Çok fazla hatalı algılama olabilir. Güven eşiklerini sıkılaştırmak bunları azaltabilir, ancak duyarlılığı da biraz düşürebilir.

Örnek Olay 2#

• Durum: mAP ve Duyarlılık kabul edilebilir, ancak IoU yetersiz.

• Yorum ve Eylem: Model nesneleri iyi algılıyor, ancak konumlarını hassas şekilde belirleyemiyor olabilir. Sınırlayıcı kutu tahminlerini iyileştirmek yardımcı olabilir.

Örnek Olay 3#

• Durum: Genel mAP iyi olsa bile bazı sınıflar diğerlerinden çok daha düşük AP değerlerine sahip.

• Yorum ve Eylem: Bu sınıflar model için daha zorlayıcı olabilir. Bu sınıflar için daha fazla veri kullanmak veya eğitim sırasında sınıf ağırlıklarını ayarlamak faydalı olabilir.

Bağlan ve İş Birliği Yap#

Meraklılar ve uzmanlardan oluşan bir topluluktan yararlanmak, YOLO26 ile yolculuğunu güçlendirebilir. Öğrenmeyi, sorun gidermeyi ve ağ kurmayı kolaylaştırabilecek bazı yollar şunlardır.

Daha Geniş Toplulukla Etkileşim Kur#

• GitHub Issues: GitHub üzerindeki Ultralytics deposunda sorular sorabileceğin, hataları bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesi bulunmaktadır. Topluluk ve geliştiriciler burada aktiftir; burası belirli sorunlarla ilgili yardım almak için harika bir yerdir.

• Ultralytics Discord Sunucusu: Ultralytics, diğer kullanıcılar ve geliştiricilerle etkileşim kurabileceğin bir Discord sunucusuna sahiptir.

Resmi Belgeler ve Kaynaklar#

• Ultralytics YOLO26 Belgeleri: Resmî belgeler, kurulum, kullanım ve sorun giderme kılavuzlarıyla birlikte YOLO26 hakkında kapsamlı bir genel bakış sunar.

Bu kaynakları kullanmak yalnızca karşılaştığın zorluklarda sana yol göstermekle kalmaz, YOLO26 topluluğundaki en son trendlerden ve en iyi uygulamalardan haberdar olmanı da sağlar.

Sonuç#

Bu kılavuzda YOLO26 için temel performans metriklerini yakından inceledik. Bu metrikler, bir modelin ne kadar iyi performans gösterdiğini anlamanın anahtarıdır ve modellerinde ince ayar yapmak isteyen herkes için hayati öneme sahiptir. İyileştirmeler yapmak ve modelin gerçek yaşam koşullarında etkili çalışmasını sağlamak için gerekli içgörüleri sunarlar.

YOLO26 ve Ultralytics topluluğunun paha biçilmez bir kaynak olduğunu unutma. Diğer geliştiriciler ve uzmanlarla etkileşim kurmak, standart belgelerde bulunmayan içgörülere ve çözümlere ulaşmanı sağlayabilir. Nesne algılama yolculuğunda öğrenme ruhunu canlı tut, yeni stratejiler dene ve bulgularını paylaş. Böylece topluluğun ortak bilgisine katkıda bulunur ve büyümesini sağlarsın.

SSS#