Performans Metriklerine Derinlemesine Bakış#

Giriş#

Nesne tespiti modellerinin doğruluğunu ve verimliliğini değerlendirmek için performans metrikleri temel araçlardır. Bu metrikler, bir modelin görsellerdeki nesneleri ne kadar etkili bir şekilde tanımlayıp konumlandırabileceğine ışık tutar. Ek olarak, modelin yanlış pozitifleri ve yanlış negatifleri ele alma biçimini anlamaya yardımcı olurlar. Bu içgörüler, modelin performansını değerlendirmek ve geliştirmek için çok önemlidir. Bu kılavuzda, YOLO26 ile ilişkili çeşitli performans metriklerini, bunların önemini ve nasıl yorumlanacaklarını inceleyeceğiz.

Nesne Algılama Metrikleri#

Yalnızca YOLO26 için değil, farklı nesne algılama modelleri genelinde de geçerli olan bazı metrikleri tartışarak başlayalım.

• Intersection over Union (IoU): IoU, tahmin edilen bir bounding box ile gerçek değer (ground truth) bounding box arasındaki örtüşmeyi nicelendiren bir ölçüttür. Nesne konumlandırma doğruluğunu değerlendirmede temel bir rol oynar.

• Average Precision (AP): AP, hassasiyet-duyarlılık (precision-recall) eğrisi altındaki alanı hesaplar ve modelin hassasiyet ve duyarlılık performansını kapsayan tek bir değer sağlar.

• Mean Average Precision (mAP): mAP, birden fazla nesne sınıfı genelinde ortalama AP değerlerini hesaplayarak AP kavramını genişletir. Bu, modelin performansının kapsamlı bir değerlendirmesini sağlamak için çok sınıflı nesne algılama senaryolarında yararlıdır.

• Precision ve Recall: Precision (Hassasiyet), tüm pozitif tahminler içindeki gerçek pozitiflerin oranını ölçer ve modelin yanlış pozitiflerden kaçınma yeteneğini değerlendirir. Öte yandan Recall (Duyarlılık), tüm gerçek pozitifler içindeki gerçek pozitiflerin oranını hesaplayarak modelin bir sınıfın tüm örneklerini algılama yeteneğini ölçer.

• F1 Score: F1 Score, hassasiyet ve duyarlılığın harmonik ortalamasıdır; hem yanlış pozitifleri hem de yanlış negatifleri dikkate alarak model performansının dengeli bir değerlendirmesini sağlar.

YOLO26 Modeli için Metrikler Nasıl Hesaplanır?#

Şimdi, yukarıda tartışılan değerlendirme metriklerini hesaplamak için kullanılabilen YOLO26's Validation mode özelliğini keşfedebiliriz.

Doğrulama modunu kullanmak basittir. Eğitimli bir modele sahip olduğunda, model.val() fonksiyonunu çağırabilirsin. Bu fonksiyon daha sonra doğrulama veri kümesini işleyecek ve çeşitli performans metrikleri döndürecektir. Ancak bu metrikler ne anlama geliyor? Ve bunları nasıl yorumlamalısın?

Çıktıyı Yorumlama#

model.val() fonksiyonunun çıktısını inceleyelim ve çıktının her bir bölümünü anlayalım.

Sınıf Bazlı Metrikler#

Çıktının bölümlerinden biri, performans metriklerinin sınıf bazlı dökümüdür. Bu ayrıntılı bilgi, özellikle çeşitli nesne kategorilerine sahip veri kümelerinde modelin her bir sınıf için ne kadar iyi çalıştığını anlamaya çalışırken yararlıdır. Veri kümesindeki her sınıf için aşağıdakiler sağlanır:

• Class: Bu, "kişi", "araba" veya "köpek" gibi nesne sınıfının adını belirtir.

• Images: Bu metrik, doğrulama kümesinde nesne sınıfını içeren görüntü sayısını bildirir.

• Instances: Bu, doğrulama kümesindeki tüm görüntülerde sınıfın kaç kez göründüğünün sayısını sağlar.

• Box(P, R, mAP50, mAP50-95): Bu metrik, modelin nesneleri algılama performansına dair içgörüler sağlar:

  • P (Precision): Algılanan nesnelerin doğruluğu; kaç tane algılamanın doğru olduğunu gösterir.

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

  • mAP50: 0,50'lik bir intersection over union (IoU) eşiğinde hesaplanan Mean Average Precision. Yalnızca "kolay" algılamaları dikkate alan bir model doğruluk ölçütüdür.

  • mAP50-95: 0,50'den 0,95'e kadar değişen farklı IoU eşiklerinde hesaplanan mean average precision değerlerinin ortalamasıdır. Modelin farklı algılama zorluk seviyelerindeki performansına dair kapsamlı bir görünüm sunar.

Hız Metrikleri#

Çıkarım hızı, özellikle gerçek zamanlı nesne algılama senaryolarında doğruluk kadar kritik olabilir. Bu bölüm, ön işlemeden son işlemeye kadar doğrulama sürecinin çeşitli aşamaları için geçen süreyi parçalara ayırır.

COCO Metrikleri Değerlendirmesi#

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 hassasiyet ve duyarlılığa dair içgörüler sağlar.

Görsel Çıktılar#

model.val() fonksiyonu, sayısal metrikler üretmenin yanı sıra modelin performansına dair daha sezgisel bir anlayış sağlayabilecek görsel çıktılar da sunar. Bekleyebileceğin görsel çıktıların bir dökümü şöyledir:

• F1 Skoru Eğrisi (BoxF1_curve.png): Bu eğri, çeşitli eşikler genelindeki F1 score değerini temsil eder. Bu eğriyi yorumlamak, modelin farklı eşikler üzerindeki yanıltıcı pozitifler ve yanıltıcı negatifler arasındaki denngesi hakkında içgörüler sunabilir.

• Kesinlik-Duyarlılık Eğrisi (BoxPR_curve.png): Herhangi bir sınıflandırma problemi için ayrılmaz bir görselleştirme olan bu eğri, çeşitli eşiklerdeki kesinlik ile recall arasındaki takasları gösterir. Dengesiz sınıflarla uğraşırken özellikle önemli hale gelir.

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

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

• Confusion Matrix (confusion_matrix.png): Confusion matrix, her sınıf için gerçek pozitifler, gerçek negatifler, yanıltıcı pozitifler ve yanıltıcı negatiflerin sayılarını göstererek sonuçların ayrıntılı bir görünümünü sağlar.

• Normalleştirilmiş Karmaşıklık Matrisi (confusion_matrix_normalized.png): Bu görselleştirme, confusion matrix öğesinin normalleştirilmiş bir versiyonudur. Verileri ham sayılar yerine oranlar olarak temsil eder. Bu biçim, sınıflar arasındaki performansın karşılaştırılmasını daha basit hale getirir.

• Doğrulama Toplu Etiketleri (val_batchX_labels.jpg): Bu görseller, doğrulama veri setinden farklı toplu işlemler (batch) için gerçek değer etiketlerini tasvir eder. Nesnelerin ne olduğuna ve veri setine göre ilgili konumlarına dair net bir resim sağlarlar.

• Doğrulama Toplu Tahminleri (val_batchX_pred.jpg): Etiket görselleriyle kontrast oluşturacak şekilde, bu görseller YOLO26 modeli tarafından ilgili toplu işlemler için yapılan tahminleri gösterir. Bunları etiket görselleriyle karşılaştırarak, modelin nesneleri görsel olarak ne kadar iyi tespit edip sınıflandırdığını kolayca değerlendirebilirsin.

detection, segmentation ve pose görevleri için eğri grafikleri metrik türüyle öneklenir: detection Box* eğrilerini yazar, segmentation hem Box* hem de Mask* eğrilerini yazar ve pose hem Box* hem de Pose* eğrilerini yazar.

Sonuç Depolama#

Gelecekte başvurmak üzere sonuçlar, genellikle runs/detect/val adında bir dizine kaydedilir.

Doğru Metrikleri Seçmek#

Değerlendirme için doğru metrikleri seçmek genellikle özel uygulamaya bağlıdır.

• mAP: Model performansının geniş bir değerlendirmesi için uygundur.

• IoU: Kesin nesne konumu kritik olduğunda gereklidir.

• Precision: Yanlış algılamaları en aza indirmek öncelikli olduğunda önemlidir.

• Recall: Bir nesnenin her örneğini algılamak önemli olduğunda hayati önem taşır.

• F1 Score: Hassasiyet ve duyarlılık arasında bir denge gerektiğinde yararlıdır.

Gerçek zamanlı uygulamalar için, zamanında sonuçlar sağlamak adına FPS (Saniyedeki Kare Sayısı) ve gecikme gibi hız metrikleri kritiktir.

Sonuçların Yorumlanması#

Metrikleri anlamak önemlidir. Yaygın olarak gözlemlenen bazı düşük puanların ne anlama gelebileceği aşağıdadır:

• Düşük mAP: Modelin genel iyileştirmelere ihtiyaç duyabileceğini gösterir.

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

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

• Düşük Duyarlılık: Model gerçek nesneleri kaçırıyor olabilir. feature extraction geliştirmek veya daha fazla veri kullanmak yardımcı olabilir.

• Dengesiz F1 Score: Hassasiyet ve duyarlılık arasında bir eşitsizlik vardır.

• Sınıfa özel AP: Buradaki düşük puanlar, modelin zorlandığı sınıfları vurgulayabilir.

Örnek Olaylar#

Gerçek dünya örnekleri, bu metriklerin pratikte nasıl çalıştığını açıklamaya yardımcı olabilir.

Durum 1#

• Durum: mAP ve F1 Score suboptimal, ancak Recall iyi olsa da, Precision öyle değil.

• Yorum ve Eylem: Çok fazla hatalı algılama olabilir. Güven eşiklerini sıkılaştırmak bunları azaltabilir, ancak bu aynı zamanda recall değerini de hafifçe düşürebilir.

Durum 2#

• Durum: mAP ve Recall kabul edilebilir, ancak IoU eksik.

• Yorum ve Eylem: Model nesneleri iyi algılıyor ancak onları tam olarak konumlandıramıyor olabilir. Sınırlayıcı kutu tahminlerini iyileştirmek yardımcı olabilir.

Durum 3#

• Durum: Bazı sınıflar, iyi bir genel mAP'ye rağmen diğerlerinden çok daha düşük bir AP'ye 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.

Bağlantı Kur ve İş Birliği Yap#

Meraklılar ve uzmanlardan oluşan bir toplulukla etkileşim kurmak, YOLO26 yolculuğunu güçlendirebilir. Öğrenmeyi, sorun gidermeyi ve ağ kurmayı kolaylaştırabilecek bazı yollar şunlardır.

Daha Geniş Toplulukla Etkileşim Kur#

• GitHub Sorunları: GitHub üzerindeki YOLO26 deposunda soru sorabileceğin, hata bildirebileceğin ve yeni özellikler önerebileceğin bir Issues tab bulunur. Topluluk ve sürdürücüler burada aktiftir ve belirli sorunlarla ilgili yardım almak için harika bir yerdir.

• Ultralytics Discord Sunucusu: Ultralytics, diğer kullanıcılar ve geliştiricilerle etkileşime girebileceğin bir Discord server sunucusuna sahiptir.

Resmi Dokümantasyon ve Kaynaklar:#

• Ultralytics YOLO26 Belgeleri: official documentation, kurulum, kullanım ve sorun giderme kılavuzlarıyla birlikte YOLO26'ya kapsamlı bir genel bakış sunar.

Bu kaynakları kullanmak, sadece zorlukların üstesinden gelmene rehberlik etmekle kalmayacak, aynı zamanda YOLO26 topluluğundaki en son trendler ve en iyi uygulamalarla güncel kalmanı sağlayacaktır.

Sonuç#

Bu kılavuzda, YOLO26 için temel performans metriklerine yakından baktık. Bu metrikler, bir modelin ne kadar iyi performans gösterdiğini anlamanın anahtarıdır ve modellerini ince ayarlamak isteyen herkes için hayati öneme sahiptir. İyileştirmeler için gerekli içgörüleri sunarlar ve modelin gerçek hayattaki durumlarda etkili bir şekilde çalıştığından emin olmanı sağlarlar.

Unutma, YOLO26 ve Ultralytics topluluğu paha biçilmez bir değerdir. Diğer geliştiriciler ve uzmanlarla etkileşime geçmek, standart dokümantasyonda bulunmayan içgörülere ve çözümlere kapı açabilir. Nesne algılama yolculuğunda öğrenme ruhunu canlı tut, yeni stratejilerle denemeler yap ve bulgularını paylaş. Bunu yaparak, topluluğun kolektif bilgisine katkıda bulunur ve büyümesini sağlarsın.

SSS#