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#

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

• Intersection over Union (IoU): IoU, tahmin edilen bir sınırlayıcı kutu ile gerçek değer (ground truth) sınırlayıcı kutu arasındaki örtüşmeyi ölçen bir ölçüttür. Nesne yerelleştirme 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.

Link to this sectionYOLO26 Modeli için Metrikler Nasıl Hesaplanır?#

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

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?

Link to this sectionÇıktıyı Yorumlama#

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

Link to this sectionSınıf 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.

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 geçen süreyi parçalara ayırır.

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 hassasiyet ve duyarlılığa dair içgörüler sağlar.

Link to this sectionGörsel 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 Score Eğrisi (BoxF1_curve.png): Bu eğri, çeşitli eşik değerleri genelinde F1 score değerini temsil eder. Bu eğriyi yorumlamak, modelin farklı eşik değerleri üzerindeki yanlış pozitif ve yanlış negatif dengesi hakkında fikir verebilir.

• Precision-Recall Eğrisi (BoxPR_curve.png): Herhangi bir sınıflandırma problemi için tamamlayıcı bir görselleştirme olan bu eğri, farklı eşik değerlerinde hassasiyet (precision) ve recall arasındaki dengeyi gösterir. Dengesiz sınıflarla uğraşırken özellikle önem kazanır.

• Precision Eğrisi (BoxP_curve.png): Farklı eşik değerlerindeki hassasiyet değerlerinin grafiksel bir temsilidir. Bu eğri, eşik değiştikçe hassasiyetin nasıl değiştiğini anlamana yardımcı olur.

• Recall Eğrisi (BoxR_curve.png): Buna karşılık gelen bu grafik, recall değerlerinin farklı eşik değerleri genelinde nasıl değiştiğini gösterir.

• Confusion Matrix (confusion_matrix.png): Confusion matrix, her sınıf için gerçek pozitif, gerçek negatif, yanlış pozitif ve yanlış negatif sayılarını göstererek sonuçların ayrıntılı bir görünümünü sağlar.

• Normalized Confusion Matrix (confusion_matrix_normalized.png): Bu görselleştirme, confusion matrix'in normalleştirilmiş bir versiyonudur. Verileri ham sayılar yerine oranlarla temsil eder. Bu format, sınıflar arasındaki performansı karşılaştırmayı kolaylaştırır.

• Validation Batch Labels (val_batchX_labels.jpg): Bu görüntüler, doğrulama veri kümesinden belirli yığınlar (batches) için gerçek etiketleri tasvir eder. Veri kümesine göre nesnelerin ne olduklarına ve ilgili konumlarına dair net bir resim sağlarlar.

• Validation Batch Predictions (val_batchX_pred.jpg): Etiket görüntüleriyle karşılaştırıldığında, bu görseller ilgili yığınlar için YOLO26 modeli tarafından yapılan tahminleri görüntüler. Bunları etiket görüntüleriyle karşılaştırarak, modelin nesneleri görsel olarak ne kadar iyi algılayıp sınıflandırdığını kolayca değerlendirebilirsin.

detection, segmentation ve pose görevleri için eğri grafikleri metrik türüne göre ön ek alır: detection Box* eğrilerini, segmentation hem Box* hem de Mask* eğrilerini, pose ise hem Box* hem de Pose* eğrilerini yazar.

Link to this sectionSonuç Depolama#

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

Link to this sectionDoğru 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.

Link to this sectionSonuçların 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 Recall: Model gerçek nesneleri kaçırıyor olabilir. Özellik çıkarımını iyileştirmek 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.

Link to this sectionÖrnek Olaylar#

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

Link to this sectionDurum 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.

Link to this sectionDurum 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.

Link to this sectionDurum 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.

Link to this sectionBağlantı 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.

Link to this sectionDaha Geniş Toplulukla Etkileşim Kur#

• GitHub Issues: GitHub üzerindeki YOLO26 deposu, soru sorabileceğin, hata bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesine sahiptir. Topluluk ve geliştiriciler burada oldukça aktiftir; bu, belirli sorunlarla ilgili yardım almak için harika bir yerdir.

• Ultralytics Discord Sunucusu: Ultralytics'in diğer kullanıcılar ve geliştiricilerle etkileşime geçebileceğin bir Discord sunucusu bulunur.

Link to this sectionResmi Dokümantasyon ve Kaynaklar:#

• Ultralytics YOLO26 Dokümanları: Resmi dokümantasyon, YOLO26 hakkında kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme konularında kılavuzlar sağlar.

Bu kaynakları kullanmak, sadece zorlukların üstesinden gelmene rehberlik etmekle 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 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.

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 hassasiyet ve duyarlılığı kapsayan tek bir metrik sağladığı için YOLO26 modellerini değerlendirmede çok önemlidir. mAP@0.50, 0,50'lik bir IoU eşiğinde hassasiyeti ölçer ve modelin nesneleri doğru bir şekilde algılama yeteneğine odaklanır. mAP@0.50:0.95 ise bir dizi IoU eşiği genelinde hassasiyetin ortalamasını alarak algılama performansının kapsamlı bir değerlendirmesini sunar. Yüksek mAP puanları, modelin hem doğru algılamanın hem de minimum yanlış alarmın kritik olduğu otonom sürüş ve gözetim sistemleri gibi uygulamalar için gerekli olan hassasiyet ve duyarlılığı etkili bir şekilde dengelediğini gösterir.

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

Intersection over Union (IoU), tahmin edilen ve gerçek değer sınırlayıcı kutular arasındaki örtüşmeyi ölçer. IoU değerleri 0 ile 1 arasında değişir; daha yüksek değerler daha iyi yerelleştirme doğruluğunu gösterir. 1.0'lık bir IoU, mükemmel 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, sınırlayıcı kutu regresyonunu iyileştirerek veya eğitim veri kümenizdeki açıklama doğruluğunu artırarak geliştirilebilir.

Link to this sectionF1 Score neden YOLO26 modellerini nesne algılamada değerlendirmek için önemlidir?#

F1 Score, hem yanlış pozitifleri hem de yanlış negatifleri dengeleyen, hassasiyet ve duyarlılığın harmonik bir ortalamasını sağladığı için YOLO26 modellerini değerlendirmede önemlidir. Dengesiz veri kümeleriyle veya yalnızca hassasiyetin veya yalnızca duyarlılığın yetersiz olduğu uygulamalarla uğraşırken özellikle değerlidir. Yüksek bir F1 Score, modelin hem kaçırılan algılamaları hem de yanlış alarmları en aza indirirken nesneleri etkili bir şekilde algıladığını gösterir ve bu da onu güvenlik sistemleri ve tıbbi görüntüleme gibi kritik uygulamalar için uygun hale getirir.

Link to this sectionUltralytics YOLO26'yı gerçek zamanlı nesne algılama için kullanmanın temel avantajları nelerdir?#

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

• Hız ve Verimlilik: Düşük gecikme gerektiren uygulamalar için uygun, yüksek hızlı çıkarım için optimize edilmiştir.
• Yüksek Doğruluk: Gelişmiş algoritma, hassasiyet ve duyarlılığı dengeleyerek yüksek mAP ve IoU puanları sağlar.
• Esneklik: Nesne algılama, örnek bölümleme, anlamsal bölümleme ve sınıflandırma dahil olmak üzere çeşitli görevleri destekler.
• Kullanım Kolaylığı: Kullanıcı dostu arayüzler, kapsamlı dokümantasyon ve Ultralytics Platform (Platform Başlangıç Kılavuzu) gibi araçlarla sorunsuz entegrasyon.

Bu özellikler YOLO26'yı otonom araçlardan akıllı şehir çözümlerine kadar çeşitli uygulamalar için ideal hale getirir.

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

Hassasiyet, duyarlılık, mAP ve IoU gibi YOLO26 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 algılandığından emin olur.
• mAP: Genel iyileştirmelere rehberlik eden genel bir performans anlık görüntüsü sunar.
• IoU: Nesne yerelleştirme doğruluğunu ince ayarlamaya yardımcı olur.

Bu metrikleri analiz ederek, hassasiyeti 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 Nesne Algılama Metrikleri bölümüne göz at ve modelini optimize etmek için hiperparametre ayarlaması yapmayı düşün.