Performans Metriklerine Derinlemesine Bakış#

Giriş#

Performans metrikleri, doğruluk ve nesne tespiti modellerinin verimliliğini değerlendirmek için temel araçlardır. Bir modelin görüntülerdeki nesneleri ne kadar etkili tanımlayıp konumlandırabildiğini gösterirler. Ayrıca modelin yanlış pozitifleri ve yanlış negatifleri nasıl ele aldığını anlamaya yardımcı olurlar. Bu bilgiler, model performansını değerlendirmek ve iyileştirmek açısından kritik öneme sahiptir. Bu kılavuzda YOLO26 ile ilişkili çeşitli performans metriklerini, bunların önemini ve nasıl yorumlanacağını inceleyeceğiz.

Nesne Tespiti Metrikleri#

Önce yalnızca YOLO26 için değil, farklı nesne tespiti modellerinde genel olarak geçerli olan bazı metrikleri ele alalım.

• Kesişim-Birleşim Oranı (IoU): IoU, tahmin edilen bir sınırlayıcı kutu ile temel gerçek sınırlayıcı kutu arasındaki örtüşmeyi ölçer. Nesnelerin konumunu belirleme 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 AP değerlerinin ortalamasını hesaplayarak AP kavramını genişletir. Model performansını kapsamlı biçimde değerlendirmek için çok sınıflı nesne tespiti senaryolarında kullanışlıdır.

• Kesinlik ve Duyarlılık: Kesinlik, tüm pozitif tahminler arasındaki doğru pozitiflerin oranını ölçerek modelin yanlış pozitiflerden kaçınma kapasitesini değerlendirir. Duyarlılık ise tüm gerçek pozitifler arasındaki doğru pozitiflerin oranını hesaplayarak modelin bir sınıfın tüm örneklerini tespit etme becerisini ölçer.

• F1 Skoru: F1 Skoru, kesinlik ve duyarlılığın harmonik ortalamasıdır; hem yanlış pozitifleri hem de yanlış negatifleri hesaba katarak model performansını dengeli biçimde değerlendirir.

YOLO26 Modeli için Metrikler Nasıl Hesaplanır?#

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

Doğrulama modunu kullanmak kolaydır. Eğitilmiş bir modelin olduğunda model.val() işlevini çağırabilirsin. Bu işlev daha sonra doğrulama veri kümesini işler ve çeşitli performans metrikleri döndürür. Peki bu metrikler ne anlama geliyor? Nasıl yorumlamalısın?

Çıktıyı Yorumlama#

model.val() işlevinin çıktısını parçalara ayırıp her bölümün ne anlama geldiğini anlayalım.

Sınıf Bazında Metrikler#

Çıktının bölümlerinden biri, performans metriklerinin sınıf bazında dökümüdür. Bu ayrıntılı bilgiler, özellikle farklı nesne kategorileri içeren veri kümelerinde, modelin her bir sınıfta ne kadar iyi performans gösterdiğini anlamaya çalışırken faydalıdır. Veri kümesindeki her sınıf için şunlar sunulur:

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

• Görüntüler: Doğrulama kümesinde bu nesne sınıfını içeren görüntü sayısını gösterir.

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

• Kutu (P, R, mAP50, mAP50-95): Bu metrik, modelin nesne tespitindeki performansıyla ilgili bilgiler verir:

  • P (Kesinlik): Tespit edilen nesnelerin doğruluğunu, yani tespitlerin kaçının doğru olduğunu gösterir.

  • R (Duyarlılık): Modelin görüntülerdeki tüm nesne örneklerini belirleme becerisidir.

  • mAP50: Kesişim-birleşim oranı (IoU) eşiği 0.50 iken hesaplanan ortalama ortalama kesinliktir. Yalnızca "kolay" tespitleri dikkate alarak modelin doğruluğunu ölçer.

  • mAP50-95: 0.50 ile 0.95 arasında değişen IoU eşiklerinde hesaplanan ortalama ortalama kesinlik değerlerinin ortalamasıdır. Farklı tespit zorluk seviyelerinde model performansına ilişkin kapsamlı bir görünüm sunar.

Hız Metrikleri#

Özellikle gerçek zamanlı nesne tespiti senaryolarında çıkarım hızı, doğruluk kadar kritik olabilir. Bu bölümde ön işlemeden son işlemeye kadar doğrulama sürecinin çeşitli aşamalarında geçen süre ele alınır.

COCO Metriklerinin Değerlendirilmesi#

COCO veri kümesinde 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.

Görsel Çıktılar#

model.val() işlevi sayısal metrikler üretmenin yanı sıra, model performansını daha sezgisel biçimde anlamayı sağlayan görsel çıktılar da sunar. Bekleyebileceğin görsel çıktıların dökümü şöyle:

• F1 Skoru Eğrisi (BoxF1_curve.png): Bu eğri, çeşitli eşiklerde F1 skorunu gösterir. Eğriyi yorumlamak, modelin farklı eşiklerde yanlış pozitifler ve yanlış negatifler arasındaki dengesini anlamana yardımcı olabilir.

• Kesinlik-Duyarlılık Eğrisi (BoxPR_curve.png): Her sınıflandırma problemi için önemli 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 anlamana yardımcı olur.

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

• Karışıklık Matrisi (confusion_matrix.png): Karışıklık matrisi, her sınıf için doğru pozitif, doğru negatif, yanlış pozitif ve yanlış negatif sayılarını göstererek sonuçlara ayrıntılı bir bakış sunar.

• Normalize Edilmiş Karışıklık Matrisi (confusion_matrix_normalized.png): Bu görselleştirme, karışıklık 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 grupların gerçek etiketlerini gösterir. Nesnelerin ne olduğunu ve veri kümesine göre nerede bulunduklarını net biçimde ortaya koyar.

• 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 grafiklerinin ön ekleri metrik türünü belirtir: algılama Box* eğrilerini, segmentasyon hem Box* hem de Mask* eğrilerini, poz ise hem Box* hem de Pose* eğrilerini yazar.

Sonuçların Saklanması#

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

Doğru Metrikleri Seçme#

Değerlendirmede kullanılacak doğru metrikleri seçmek genellikle uygulamaya bağlıdır.

• mAP: Model performansını genel olarak değerlendirmek için uygundur.

• IoU: Nesnenin konumunun hassas olması gerektiğinde önemlidir.

• Kesinlik: Yanlış algılamaları en aza indirmek öncelikliyse önemlidir.

• Duyarlılık: Bir nesnenin tüm örneklerini algılamak önemliyse kritik rol oynar.

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

Gerçek zamanlı uygulamalarda, sonuçların zamanında alınmasını sağlamak için FPS (saniyedeki kare sayısı) ve gecikme gibi hız metrikleri kritik öneme sahiptir.

Sonuçları Yorumlama#

Metrikleri anlamak önemlidir. Sık karşılaşılan düşük skorların neler gösterebileceğine bakalım:

• Düşük mAP: Modelin genel iyileştirmelere ihtiyaç duyabileceğini gösterir.

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

• Düşük Kesinlik: Model, gerçekte var olmayan çok fazla nesne algılıyor olabilir. Güven eşiklerini ayarlamak bu sayıyı 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 Özel AP: Buradaki düşük skorlar, modelin zorlandığı sınıfları ortaya çıkarabilir.

Örnek Olaylar#

Gerçek dünyadan örnekler, bu metriklerin uygulamada nasıl çalıştığını açıklığa kavuşturabilir.

Örnek 1#

• Durum: mAP ve F1 Skoru optimal değil; duyarlılık iyi olsa da kesinlik iyi değil.

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

Örnek 2#

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

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

Örnek 3#

• Durum: Genel mAP iyi olsa bile bazı sınıfların AP değeri diğerlerinden çok daha düşük.

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

Bağlantı Kur ve İş Birliği Yap#

Meraklılardan ve uzmanlardan oluşan bir topluluktan yararlanmak, YOLO26 yolculuğunu daha verimli hâle getirebilir. Öğrenmeni, sorunları gidermeni ve bağlantılar kurmanı sağlayacak bazı yollar şunlardır.

Daha Geniş Toplulukla Etkileşim Kur#

• GitHub Issues: Ultralytics'in GitHub deposunda sorular sorabileceğin, hataları bildirebileceğin ve yeni özellikler önerebileceğin bir Issues sekmesi bulunur. Topluluk ve projeyi sürdürenler burada aktiftir; belirli sorunlar için yardım alabileceğin harika bir yerdir.

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

Resmî Belgeler ve Kaynaklar#

• Ultralytics YOLO26 Belgeleri: Resmî belgeler, YOLO26 hakkında kapsamlı bir genel bakışın yanı sıra kurulum, kullanım ve sorun giderme kılavuzları sunar.

Bu kaynaklar, karşılaştığın zorlukların üstesinden gelmene yardımcı olmanın yanı sıra YOLO26 topluluğundaki en yeni gelişmeler ve en iyi uygulamalar hakkında güncel kalmanı da sağlar.

Sonuç#

Bu kılavuzda YOLO26 için temel performans metriklerini yakından inceledik. Bu metrikler, modelin ne kadar iyi performans gösterdiğini anlamak açısından önemlidir ve modellerini iyileştirmek isteyen herkes için kritik rol oynar. İyileştirme yapman ve modelin gerçek yaşam koşullarında etkili çalıştığından emin olman için gerekli bilgileri sağlar.

Unutma, YOLO26 ve Ultralytics topluluğu paha biçilmez bir kaynaktır. Diğer geliştiriciler ve uzmanlarla etkileşim kurmak, standart belgelerde bulamayacağın bilgi ve çözümlere ulaşmanı sağlayabilir. Nesne algılama yolculuğunda öğrenme isteğini canlı tut, yeni stratejiler dene ve bulgularını paylaş. Böylece topluluğun ortak bilgi birikimine katkıda bulunur ve gelişmesini sağlarsın.

Sık Sorulan Sorular#