Link to this sectionPerformans Metriklerine Derinlemesine Bakış#

Link to this sectionGiriş#

Performance metrics are key tools to evaluate the accuracy and efficiency of object detection models. They shed light on how effectively a model can identify and localize objects within images. Additionally, they help in understanding the model's handling of false positives and false negatives. These insights are crucial for evaluating and enhancing the model's performance. In this guide, we will explore various performance metrics associated with YOLO26, their significance, and how to interpret them.

Link to this sectionNesne Algılama Metrikleri#

Sadece YOLO26 için değil, genel olarak farklı nesne algılama modelleri için geçerli olan bazı önemli metrikleri tartışarak başlayalım.

• Intersection over Union (IoU): IoU, tahmin edilen bir bounding box ile gerçek değerdeki (ground truth) sınırlayıcı kutu arasındaki örtüşmeyi ölçen bir değerdir. Nesne yerelleştirme doğruluğunu değerlendirmede temel bir role sahiptir.

• Average Precision (AP): AP, kesinlik-duyarlılık eğrisinin (precision-recall curve) altındaki alanı hesaplayarak, modelin kesinlik ve duyarlılık performansını kapsayan tek bir değer sunar.

• Mean Average Precision (mAP): mAP, birden fazla nesne sınıfı üzerindeki ortalama AP değerlerini hesaplayarak AP kavramını genişletir. Bu, çok sınıflı nesne algılama senaryolarında modelin performansına dair kapsamlı bir değerlendirme sağlamak için kullanışlıdır.

• Precision (Kesinlik) ve Recall (Duyarlılık): Precision, tüm pozitif tahminler içindeki gerçek pozitiflerin oranını ölçerek modelin yanlış pozitiflerden kaçınma becerisini değerlendirir. Öte yandan Recall, tüm gerçek pozitifler içindeki doğru tahminlerin oranını hesaplayarak, modelin bir sınıfa ait tüm örnekleri bulma yeteneğini ölçer.

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

Link to this sectionYOLO26 Modeli İçin Metrikler Nasıl Hesaplanır#

Şimdi, yukarıda bahsedilen değerlendirme metriklerini hesaplamak için kullanılabilecek YOLO26'nın Doğrulama modu özelliğini inceleyebiliriz.

Doğrulama modunu kullanmak basittir. Eğitilmiş bir modelin olduğunda, model.val() fonksiyonunu çağırabilirsin. Bu fonksiyon doğrulama veri kümesini işleyecek ve çeşitli performans metrikleri döndürecektir. Peki bu metrikler ne anlama geliyor? Ve bunları nasıl yorumlamalısın?

Link to this sectionÇıktının Yorumlanması#

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

Link to this sectionSınıf Bazlı Metrikler#

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

• Class: "person" (kişi), "car" (araba) veya "dog" (köpek) gibi nesne sınıfının adını belirtir.

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

• Instances: Bu, doğrulama kümesindeki tüm görüntülerde sınıfın kaç kez göründüğünü gösteren sayıdır.

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

  • P (Precision): Tespit edilen nesnelerin doğruluğu, kaç tespitin doğru olduğunu gösterir.

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

  • mAP50: 0.50'lik bir Intersection over Union (IoU) eşiğinde hesaplanan ortalama kesinliktir (mean average precision). Sadece "kolay" tespitleri dikkate alan bir doğruluk ölçüsüdür.

  • mAP50-95: 0.50 ile 0.95 arasında değişen farklı IoU eşiklerinde hesaplanan ortalama kesinliğin aritmetik ortalamasıdır. Farklı zorluk seviyelerindeki tespitlerde modelin performansına dair kapsamlı bir bakış sunar.

Link to this sectionHız 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 harcanan zamanı detaylandırır.

Link to this sectionCOCO 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 kesinlik ve duyarlılık hakkında bilgi verir.

Link to this sectionGörsel Çıktılar#

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

• F1 Score Curve (F1_curve.png): Bu eğri, çeşitli eşikler genelinde F1 score değerini temsil eder. Bu eğriyi yorumlamak, modelin farklı eşiklerdeki yanlış pozitif ve yanlış negatif dengesi hakkında bilgi verebilir.

• Precision-Recall Curve (PR_curve.png): Herhangi bir sınıflandırma problemi için ayrılmaz bir görselleştirme olan bu eğri, çeşitli eşiklerdeki kesinlik ve recall arasındaki ödünleşimi sergiler. Dengesiz sınıflarla uğraşırken özellikle önem kazanır.

• Precision Curve (P_curve.png): Farklı eşiklerdeki kesinlik değerlerinin grafiksel bir temsilidir. Bu eğri, eşik değiştikçe kesinliğin nasıl değiştiğini anlamana yardımcı olur.

• Recall Curve (R_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, yanlış pozitifler ve yanlış negatiflerin sayılarını sergileyerek sonuçların ayrıntılı bir görünümünü sağlar.

• Normalized Confusion Matrix (confusion_matrix_normalized.png): Bu görselleştirme, confusion matrix'in normalize edilmiş bir versiyonudur. Veriyi ham sayılar yerine oranlar şeklinde temsil eder. Bu format, sınıflar arasındaki performansı karşılaştırmayı kolaylaştırır.

• Validation Batch Labels (val_batchX_labels.jpg): Bu görüntüler, doğrulama veri kümesinden belirli gruplar için gerçek değer etiketlerini (ground truth) betimler. Veri kümesine göre nesnelerin neler olduğu ve yerleri hakkında net bir resim sunarlar.

• Validation Batch Predictions (val_batchX_pred.jpg): Etiket görüntüleriyle karşılaştırıldığında, bu görseller YOLO26 modelinin ilgili gruplar için yaptığı tahminleri sergiler. Bunları etiket görüntüleriyle karşılaştırarak, modelin nesneleri görsel olarak ne kadar iyi tespit edip sınıflandırdığını kolayca değerlendirebilirsin.

Link to this sectionSonuçların Saklanması#

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

Link to this sectionDoğru Metrikleri Seçmek#

Değerlendirme için doğru metrikleri seçmek genellikle uygulamaya özeldir.

• mAP: Model performansının geniş çaplı değerlendirilmesi için uygundur.

• IoU: Hassas nesne konumu kritik olduğunda gereklidir.

• Precision: Hatalı tespitleri en aza indirmek öncelikli olduğunda önemlidir.

• Recall: Bir nesnenin her örneğini tespit etmenin önemli olduğu durumlarda hayati önem taşır.

• F1 Score: Kesinlik ve duyarlılık arasında bir denge gerektiğinde kullanışlıdır.

Gerçek zamanlı uygulamalar için FPS (Saniyedeki Kare Sayısı) ve gecikme gibi hız metrikleri, zamanında sonuç alabilmek için kritiktir.

Link to this sectionSonuçların Yorumlanması#

Metrikleri anlamak önemlidir. Yaygın olarak gözlemlenen düşük puanların bazıları şunları gösterebilir:

• Düşük mAP: Modelin genel iyileştirmelere ihtiyaç duyabileceğini gösterir.

• Düşük IoU: Model nesneleri doğru bir şekilde saptamakta zorlanıyor olabilir. Farklı bounding box yöntemleri yardımcı olabilir.

• Düşük Precision: Model çok fazla gerçekte var olmayan nesneyi tespit ediyor olabilir. Güven eşiklerini (confidence thresholds) ayarlamak bunu azaltabilir.

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

• Dengesiz F1 Score: Kesinlik ve duyarlılık arasında bir uyumsuzluk var demektir.

• Sınıf Bazlı AP: Buradaki düşük puanlar, modelin zorlandığı sınıfları öne çıkarabilir.

Link to this sectionVaka Çalışmaları#

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

Link to this sectionVaka 1#

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

• Yorum ve Aksiyon: Çok fazla hatalı tespit olabilir. Güven eşiklerini sıkılaştırmak bunları azaltabilir, ancak bu aynı zamanda Recall değerini de biraz düşürebilir.

Link to this sectionVaka 2#

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

• Yorum ve Aksiyon: Model nesneleri iyi tespit ediyor ancak onları tam olarak yerelleştiremiyor olabilir. Bounding box tahminlerini iyileştirmek yardımcı olabilir.

Link to this sectionVaka 3#

• Durum: Bazı sınıflar, genel mAP değerleri düzgün olsa bile diğerlerinden çok daha düşük AP puanlarına sahip.

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

Link to this sectionBağlantı Kur ve İş Birliği Yap#

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

Link to this sectionGeniş Toplulukla Etkileşime Geç#

• GitHub Issues: GitHub'daki YOLO26 deposunda, soru sorabileceğin, hata bildirebileceğin ve yeni özellikler önerebileceğin bir Issues tab bulunur. Topluluk ve sürdürücüler burada aktiflerdir; belirli sorunlarda yardım almak için harika bir yerdir.

• Ultralytics Discord Sunucusu: Ultralytics'in diğer kullanıcılarla ve geliştiricilerle etkileşim kurabileceğin bir Discord server sunucusu vardır.

Link to this sectionResmi Belgeler ve Kaynaklar:#

• Ultralytics YOLO26 Belgeleri: resmi dokümantasyon, kurulum, kullanım ve sorun giderme konularındaki kılavuzlarla birlikte YOLO26'nın kapsamlı bir genel bakışını sunar.

Bu kaynakları kullanmak seni sadece zorluklar karşısında yönlendirmekle kalmayacak, aynı zamanda YOLO26 topluluğundaki en son trendler ve en iyi uygulamalarla güncel kalmanı sağlayacaktır.

Link to this sectionSonuç#

Bu kılavuzda, YOLO26 için temel performans metriklerini yakından inceledik. Bu metrikler, bir modelin ne kadar iyi çalıştığını anlamanın anahtarıdır ve modellerini ince ayar yapmak isteyen herkes için hayati öneme sahiptir. İyileştirmeler için gerekli içgörüleri sunarlar ve modelin gerçek hayat durumlarında etkili bir şekilde çalıştığından emin olmanı sağlarlar.

Unutma, YOLO26 ve Ultralytics topluluğu paha biçilmez bir varlıktır. Diğer geliştiriciler ve uzmanlarla etkileşim kurmak, standart belgelerde bulunmayan içgörülere ve çözümlere kapı açabilir. Nesne algılama yolculuğunda ilerlerken öğrenme ruhunu canlı tut, yeni stratejiler dene ve bulgularını paylaş. Bunu yaparak, topluluğun kolektif bilgeliğine katkıda bulunur ve büyümesini sağlarsın.

Link to this sectionSSS#

Link to this sectionYOLO26 model performansını değerlendirmede Mean Average Precision (mAP) değerinin önemi nedir?#

Mean Average Precision (mAP), birden fazla sınıf genelinde kesinlik ve duyarlılığı kapsayan tek bir metrik sunduğu için YOLO26 modellerini değerlendirmek açısından kritiktir. mAP@0.50, 0.50'lik bir IoU eşiğinde kesinliği ölçerek modelin nesneleri doğru bir şekilde tespit etme yeteneğine odaklanır. mAP@0.50:0.95, bir dizi IoU eşiği genelinde kesinliğin ortalamasını alarak algılama performansının kapsamlı bir değerlendirmesini sunar. Yüksek mAP puanları, modelin kesinlik ve duyarlılığı etkili bir şekilde dengelediğini gösterir; bu da autonomous driving ve gözetim sistemleri gibi hem doğru tespitin hem de minimum yanlış alarmın kritik olduğu uygulamalar için temeldir.

Link to this sectionYOLO26 nesne algılama için Intersection over Union (IoU) değerini nasıl yorumlarım?#

Intersection over Union (IoU), tahmin edilen ile gerçek bounding box'lar arasındaki örtüşmeyi ölçer. IoU değerleri 0 ile 1 arasında değişir ve daha yüksek değerler daha iyi yerelleştirme doğruluğuna işaret eder. 1.0'lık bir IoU, mükemmel bir hizalama anlamına gelir. Genellikle mAP gibi metriklerde gerçek pozitifleri tanımlamak için 0.50'lik bir IoU eşiği kullanılır. Daha düşük IoU değerleri, modelin hassas nesne yerelleştirmede zorlandığını gösterir; bu, bounding box regresyonunu iyileştirerek veya training dataset içindeki açıklama doğruluğunu artırarak geliştirilebilir.

Link to this sectionF1 Score, YOLO26 nesne algılama modellerini değerlendirmede neden önemlidir?#

F1 Score, kesinlik ve duyarlılığın harmonik ortalamasını sunduğu ve hem yanlış pozitifleri hem de yanlış negatifleri dengelediği için YOLO26 modellerini değerlendirmede önemlidir. Özellikle dengesiz veri kümeleriyle çalışırken veya sadece kesinliğin ya da sadece duyarlılığın yetersiz kaldığı uygulamalarda değerlidir. Yüksek bir F1 Score, modelin hem gözden kaçan tespitleri hem de yanlış alarmları minimize ederken nesneleri etkili bir şekilde tespit ettiğini gösterir ve bu da onu security systems ve medical imaging gibi kritik uygulamalar için uygun hale getirir.

Link to this sectionGerçek zamanlı nesne algılama için Ultralytics YOLO26 kullanmanın temel avantajları nelerdir?#

Ultralytics YOLO26, gerçek zamanlı nesne algılama için birçok avantaj sunar:

• Hız ve Verimlilik: Düşük gecikme süresi gerektiren uygulamalar için uygun, yüksek hızlı çıkarım için optimize edilmiştir.
• Yüksek Doğruluk: Gelişmiş algoritma, kesinlik ve duyarlılığı dengeleyerek yüksek mAP ve IoU puanları sağlar.
• Esneklik: object detection, instance segmentation, semantic segmentation ve classification dahil olmak üzere çeşitli görevleri destekler.
• Kullanım Kolaylığı: Kullanıcı dostu arayüzler, kapsamlı dokümantasyon ve Ultralytics Platform (Platform Quickstart) gibi araçlarla sorunsuz entegrasyon.

Bu, YOLO26'yı otonom araçlardan smart city solutions uygulamalarına kadar çeşitli alanlar için ideal kılar.

Link to this sectionYOLO26'dan elde edilen doğrulama metrikleri model performansını iyileştirmeye nasıl yardımcı olabilir?#

YOLO26'dan elde edilen kesinlik, duyarlılık, mAP ve IoU gibi doğrulama metrikleri, algılamanın farklı yönlerine dair içgörüler sağlayarak model performansını teşhis etmeye ve iyileştirmeye yardımcı olur:

• Precision: Yanlış pozitifleri tanımlamaya ve en aza indirmeye yardımcı olur.
• Recall: İlgili tüm nesnelerin tespit edildiğinden emin olur.
• mAP: Genel performansın bir anlık görüntüsünü sunarak genel iyileştirmelere rehberlik eder.
• IoU: Nesne yerelleştirme doğruluğuna ince ayar yapmaya yardımcı olur.

Bu metrikleri analiz ederek, kesinliği artırmak için güven eşiklerini ayarlamak veya duyarlılığı geliştirmek için daha çeşitli veriler toplamak gibi belirli zayıflıklar hedeflenebilir. Bu metriklerin ayrıntılı açıklamaları ve nasıl yorumlanacakları için Object Detection Metrics bölümüne göz at ve modelini optimize etmek için hyperparameter tuning uygulamayı değerlendir.