─░├žeri─če ge├ž

Performans Metriklerine Derinlemesine Bak─▒┼č

Giri┼č

Performans ├Âl├ž├╝mleri, nesne alg─▒lama modellerinin do─črulu─čunu ve verimlili─čini de─čerlendirmek i├žin ├Ânemli ara├žlard─▒r. Bir modelin g├Âr├╝nt├╝lerdeki nesneleri ne kadar etkili bir ┼čekilde tan─▒mlayabildi─čine ve konumland─▒rabildi─čine ─▒┼č─▒k tutarlar. Ayr─▒ca, modelin yanl─▒┼č pozitifleri ve yanl─▒┼č negatifleri ele al─▒┼č─▒n─▒ anlamaya yard─▒mc─▒ olurlar. Bu bilgiler, modelin performans─▒n─▒ de─čerlendirmek ve geli┼čtirmek i├žin ├žok ├Ânemlidir. Bu k─▒lavuzda, YOLOv8 ile ili┼čkili ├že┼čitli performans metriklerini, bunlar─▒n ├Ânemini ve nas─▒l yorumlanaca─č─▒n─▒ inceleyece─čiz.



─░zle: Ultralytics YOLOv8 Performans ├ľl├ž├╝tleri | MAP, F1 Puan─▒, Kesinlik, IoU ve Do─čruluk

Nesne Alg─▒lama Metrikleri

Let's start by discussing some metrics that are not only important to YOLOv8 but are broadly applicable across different object detection models.

  • Birlik ├╝zerinden Kesi┼čim (IoU): IoU, tahmin edilen bir s─▒n─▒rlay─▒c─▒ kutu ile temel ger├žek s─▒n─▒rlay─▒c─▒ kutu aras─▒ndaki ├Ârt├╝┼čmeyi ├Âl├žen bir ├Âl├ž├╝d├╝r. Nesne lokalizasyonunun do─črulu─čunun de─čerlendirilmesinde temel bir rol oynar.

  • Ortalama Hassasiyet (AP): AP, hassasiyet-geri ├ža─č─▒rma e─črisinin alt─▒ndaki alan─▒ hesaplayarak modelin hassasiyet ve geri ├ža─č─▒rma performans─▒n─▒ ├Âzetleyen tek bir de─čer sa─člar.

  • Ortalama Hassasiyet (mAP): mAP, birden fazla nesne s─▒n─▒f─▒ genelinde ortalama AP de─čerlerini hesaplayarak AP kavram─▒n─▒ geni┼čletir. Bu, modelin performans─▒n─▒n kapsaml─▒ bir de─čerlendirmesini sa─člamak i├žin ├žok s─▒n─▒fl─▒ nesne alg─▒lama senaryolar─▒nda kullan─▒┼čl─▒d─▒r.

  • Kesinlik ve Geri ├ça─č─▒rma: Kesinlik, t├╝m pozitif tahminler aras─▒nda do─čru pozitiflerin oran─▒n─▒ ├Âl├žerek modelin yanl─▒┼č pozitiflerden ka├ž─▒nma kabiliyetini de─čerlendirir. ├ľte yandan, Geri ├ça─č─▒rma, t├╝m ger├žek pozitifler aras─▒ndaki do─čru pozitiflerin oran─▒n─▒ hesaplar ve modelin bir s─▒n─▒f─▒n t├╝m ├Ârneklerini tespit etme yetene─čini ├Âl├žer.

  • F1 Puan─▒: F1 Puan─▒, hassasiyet ve geri ├ža─č─▒rman─▒n harmonik ortalamas─▒d─▒r ve hem yanl─▒┼č pozitifleri hem de yanl─▒┼č negatifleri dikkate al─▒rken bir modelin performans─▒n─▒n dengeli bir de─čerlendirmesini sa─člar.

YOLOv8 Modeli i├žin Metrikler Nas─▒l Hesaplan─▒r?

┼×imdi, yukar─▒da tart─▒┼č─▒lan de─čerlendirme metriklerini hesaplamak i├žin kullan─▒labilecek YOLOv8'un Do─črulama modunu ke┼čfedebiliriz.

Do─črulama modunu kullanmak basittir. E─čitilmi┼č bir modeliniz oldu─čunda, model.val() fonksiyonunu ├ža─č─▒rabilirsiniz. Bu i┼člev daha sonra do─črulama veri k├╝mesini i┼čleyecek ve ├že┼čitli performans ├Âl├ž├╝mleri d├Ând├╝recektir. Peki bu metrikler ne anlama geliyor? Ve bunlar─▒ nas─▒l yorumlamal─▒s─▒n─▒z?

Çıktının Yorumlanması

model.val() fonksiyonunun ├ž─▒kt─▒s─▒n─▒ par├žalara ay─▒ral─▒m ve ├ž─▒kt─▒n─▒n her bir b├Âl├╝m├╝n├╝ anlayal─▒m.

S─▒n─▒f Baz─▒nda Metrikler

├ç─▒kt─▒n─▒n b├Âl├╝mlerinden biri de performans metriklerinin s─▒n─▒f baz─▒nda da─č─▒l─▒m─▒d─▒r. Bu ayr─▒nt─▒l─▒ bilgi, ├Âzellikle ├že┼čitli nesne kategorilerine sahip veri k├╝melerinde, modelin her bir s─▒n─▒f i├žin ne kadar iyi performans g├Âsterdi─čini anlamaya ├žal─▒┼č─▒rken kullan─▒┼čl─▒d─▒r. Veri k├╝mesindeki her s─▒n─▒f i├žin a┼ča─č─▒dakiler sa─član─▒r:

  • S─▒n─▒f: Bu, "ki┼či", "araba" veya "k├Âpek" gibi nesne s─▒n─▒f─▒n─▒n ad─▒n─▒ belirtir.

  • G├Âr├╝nt├╝ler: Bu metrik, do─črulama setinde nesne s─▒n─▒f─▒n─▒ i├žeren g├Âr├╝nt├╝lerin say─▒s─▒n─▒ g├Âsterir.

  • ├ľrnekler: Bu, s─▒n─▒f─▒n do─črulama setindeki t├╝m g├Âr├╝nt├╝lerde ka├ž kez g├Âr├╝nd├╝─č├╝n├╝n say─▒s─▒n─▒ sa─člar.

  • Box(P, R, mAP50, mAP50-95): Bu metrik, modelin nesneleri tespit etme performans─▒ hakk─▒nda bilgi verir:

    • P (Hassasiyet): Tespit edilen nesnelerin do─črulu─ču, ka├ž tespitin do─čru oldu─čunu g├Âsterir.

    • R (Hat─▒rlama): Modelin g├Âr├╝nt├╝lerdeki t├╝m nesne ├Ârneklerini tan─▒mlama yetene─či.

    • mAP50: 0,50'lik bir birle┼čme ├╝zerinde kesi┼čme (IoU) e┼či─činde hesaplanan ortalama ortalama hassasiyet. Sadece "kolay" tespitleri dikkate alan modelin do─črulu─čunun bir ├Âl├ž├╝s├╝d├╝r.

    • mAP50-95: 0,50 ile 0,95 aras─▒nda de─či┼čen ├že┼čitli IoU e┼čiklerinde hesaplanan ortalama ortalama hassasiyetin ortalamas─▒. Modelin farkl─▒ tespit zorlu─ču seviyelerindeki performans─▒n─▒n kapsaml─▒ bir g├Âr├╝n├╝m├╝n├╝ verir.

H─▒z ├ľl├ž├╝tleri

├ç─▒kar─▒m h─▒z─▒, ├Âzellikle ger├žek zamanl─▒ nesne alg─▒lama senaryolar─▒nda do─čruluk kadar kritik olabilir. Bu b├Âl├╝mde, ├Ân i┼člemeden son i┼člemeye kadar do─črulama s├╝recinin ├že┼čitli a┼čamalar─▒ i├žin harcanan zaman incelenmektedir.

COCO Metriklerinin De─čerlendirilmesi

COCO veri k├╝mesi ├╝zerinde do─črulama yapan kullan─▒c─▒lar i├žin COCO de─čerlendirme komut dosyas─▒ kullan─▒larak ek ├Âl├ž├╝mler hesaplan─▒r. Bu metrikler, farkl─▒ IoU e┼čiklerinde ve farkl─▒ boyutlardaki nesneler i├žin hassasiyet ve geri ├ža─č─▒rma hakk─▒nda bilgi verir.

G├Ârsel ├ç─▒kt─▒lar

model.val() i┼člevi, say─▒sal metrikler ├╝retmenin yan─▒ s─▒ra, modelin performans─▒n─▒n daha sezgisel bir ┼čekilde anla┼č─▒lmas─▒n─▒ sa─člayabilecek g├Ârsel ├ž─▒kt─▒lar da verir. ─░┼čte bekleyebilece─činiz g├Ârsel ├ž─▒kt─▒lar─▒n bir d├Âk├╝m├╝:

  • F1 Puan E─črisi (F1_curve.png): Bu e─čri, ├že┼čitli e┼čiklerdeki F1 puan─▒n─▒ temsil eder. Bu e─črinin yorumlanmas─▒, modelin farkl─▒ e┼čiklerdeki yanl─▒┼č pozitifler ve yanl─▒┼č negatifler aras─▒ndaki dengesi hakk─▒nda fikir verebilir.

  • Hassasiyet-Tekrar Arama E─črisi (PR_curve.png): Herhangi bir s─▒n─▒fland─▒rma problemi i├žin ayr─▒lmaz bir g├Ârselle┼čtirme olan bu e─čri, ├že┼čitli e┼čiklerde hassasiyet ve geri ├ža─č─▒rma aras─▒ndaki de─či┼č toku┼člar─▒ g├Âsterir. Dengesiz s─▒n─▒flarla u─čra┼č─▒rken ├Âzellikle ├Ânemli hale gelir.

  • Hassasiyet E─črisi (P_curve.png): Farkl─▒ e┼čiklerdeki hassasiyet de─čerlerinin grafiksel g├Âsterimi. Bu e─čri, e┼čik de─či┼čtik├že hassasiyetin nas─▒l de─či┼čti─čini anlamaya yard─▒mc─▒ olur.

  • Geri ├ça─č─▒rma E─črisi (R_curve.png): Buna uygun olarak, bu grafik geri ├ža─č─▒rma de─čerlerinin farkl─▒ e┼čiklerde nas─▒l de─či┼čti─čini g├Âstermektedir.

  • Kar─▒┼č─▒kl─▒k Matrisi (confusion_matrix.png): Kar─▒┼č─▒kl─▒k matrisi, her s─▒n─▒f i├žin do─čru pozitiflerin, do─čru negatiflerin, yanl─▒┼č pozitiflerin ve yanl─▒┼č negatiflerin say─▒lar─▒n─▒ g├Âstererek sonu├žlar─▒n ayr─▒nt─▒l─▒ bir g├Âr├╝n├╝m├╝n├╝ sa─člar.

  • Normalle┼čtirilmi┼č Kar─▒┼č─▒kl─▒k Matrisi (confusion_matrix_normalized.png): Bu g├Ârselle┼čtirme, kar─▒┼č─▒kl─▒k matrisinin normalle┼čtirilmi┼č bir versiyonudur. Verileri ham say─▒lar yerine oranlar halinde temsil eder. Bu format, s─▒n─▒flar aras─▒ndaki performans─▒ kar┼č─▒la┼čt─▒rmay─▒ kolayla┼čt─▒r─▒r.

  • Do─črulama Toplu ─░┼č Etiketleri (val_batchX_labels.jpg): Bu g├Âr├╝nt├╝ler, do─črulama veri k├╝mesinden farkl─▒ gruplar i├žin temel ger├žek etiketlerini g├Âstermektedir. Nesnelerin ne oldu─ču ve veri k├╝mesine g├Âre ilgili konumlar─▒ hakk─▒nda net bir resim sa─člarlar.

  • Do─črulama Toplu Tahminleri (val_batchX_pred.jpg): Etiket g├Âr├╝nt├╝lerinin aksine, bu g├Ârseller YOLOv8 modeli taraf─▒ndan ilgili partiler i├žin yap─▒lan tahminleri g├Âsterir. Bunlar─▒ etiket g├Âr├╝nt├╝leriyle kar┼č─▒la┼čt─▒rarak, modelin nesneleri g├Ârsel olarak ne kadar iyi alg─▒lad─▒─č─▒n─▒ ve s─▒n─▒fland─▒rd─▒─č─▒n─▒ kolayca de─čerlendirebilirsiniz.

Sonu├žlar Depolama

─░leride ba┼čvurmak ├╝zere, sonu├žlar genellikle runs/detect/val olarak adland─▒r─▒lan bir dizine kaydedilir.

Do─čru Metriklerin Se├žilmesi

De─čerlendirmek i├žin do─čru metrikleri se├žmek genellikle ├Âzel uygulamaya ba─čl─▒d─▒r.

  • mAP: Model performans─▒n─▒n geni┼č bir de─čerlendirmesi i├žin uygundur.

  • IoU: Kesin nesne konumu ├žok ├Ânemli oldu─čunda gereklidir.

  • Hassasiyet: Yanl─▒┼č tespitleri en aza indirmenin ├Âncelikli oldu─ču durumlarda ├Ânemlidir.

  • Geri ├ža─č─▒rma: Bir nesnenin her ├Ârne─čini tespit etmek ├Ânemli oldu─čunda hayati ├Ânem ta┼č─▒r.

  • F1 Puan─▒: Hassasiyet ve geri ├ža─č─▒rma aras─▒nda bir denge gerekti─činde kullan─▒┼čl─▒d─▒r.

Ger├žek zamanl─▒ uygulamalarda, FPS (Saniye Ba┼č─▒na Kare Say─▒s─▒) ve gecikme s├╝resi gibi h─▒z ├Âl├ž├╝mleri zaman─▒nda sonu├ž al─▒nmas─▒n─▒ sa─člamak i├žin ├žok ├Ânemlidir.

Sonu├žlar─▒n Yorumlanmas─▒

It's important to understand the metrics. Here's what some of the commonly observed lower scores might suggest:

  • D├╝┼č├╝k mAP: Modelin genel iyile┼čtirmelere ihtiya├ž duyabilece─čini g├Âsterir.

  • D├╝┼č├╝k IoU: Model nesneleri do─čru bir ┼čekilde belirlemekte zorlan─▒yor olabilir. Farkl─▒ s─▒n─▒rlay─▒c─▒ kutu y├Ântemleri yard─▒mc─▒ olabilir.

  • D├╝┼č├╝k Hassasiyet: Model ├žok fazla var olmayan nesne tespit ediyor olabilir. G├╝ven e┼čiklerinin ayarlanmas─▒ bunu azaltabilir.

  • D├╝┼č├╝k Hat─▒rlama: Model ger├žek nesneleri ka├ž─▒r─▒yor olabilir. ├ľzellik ├ž─▒kar─▒m─▒n─▒ iyile┼čtirmek veya daha fazla veri kullanmak yard─▒mc─▒ olabilir.

  • Dengesiz F1 Puan─▒: Kesinlik ve geri ├ža─č─▒rma aras─▒nda bir e┼čitsizlik var.

  • S─▒n─▒fa ├Âzg├╝ AP: Buradaki d├╝┼č├╝k puanlar modelin zorland─▒─č─▒ s─▒n─▒flar─▒ vurgulayabilir.

Vaka ├çal─▒┼čmalar─▒

Ger├žek d├╝nya ├Ârnekleri, bu metriklerin pratikte nas─▒l ├žal─▒┼čt─▒─č─▒n─▒ netle┼čtirmeye yard─▒mc─▒ olabilir.

Vaka 1

  • Durum: mAP ve F1 Puan─▒ optimumun alt─▒nda, ancak Geri ├ça─č─▒rma iyi olsa da Kesinlik iyi de─čil.

  • Yorumlama ve Eylem: ├çok fazla yanl─▒┼č tespit olabilir. G├╝ven e┼čiklerinin s─▒k─▒la┼čt─▒r─▒lmas─▒ bunlar─▒ azaltabilir, ancak geri ├ža─č─▒rmay─▒ da biraz azaltabilir.

Vaka 2

  • Durum: mAP ve Geri ├ça─č─▒rma kabul edilebilir, ancak IoU eksik.

  • Yorumlama ve Eylem: Model nesneleri iyi tespit ediyor ancak yerlerini tam olarak belirleyemiyor olabilir. S─▒n─▒rlay─▒c─▒ kutu tahminlerini iyile┼čtirmek yard─▒mc─▒ olabilir.

Vaka 3

  • Durum: Baz─▒ s─▒n─▒flar, iyi bir genel mAP'ye sahip olsalar bile, di─čerlerinden ├žok daha d├╝┼č├╝k bir AP'ye sahiptir.

  • Yorumlama ve Eylem: Bu s─▒n─▒flar model i├žin daha zorlay─▒c─▒ olabilir. Bu s─▒n─▒flar i├žin daha fazla veri kullanmak veya e─čitim s─▒ras─▒nda s─▒n─▒f a─č─▒rl─▒klar─▒n─▒ ayarlamak faydal─▒ olabilir.

Ba─član─▒n ve ─░┼čbirli─či Yap─▒n

Merakl─▒lar ve uzmanlardan olu┼čan bir topluluktan yararlanmak, YOLOv8 ile yolculu─čunuzu g├╝├žlendirebilir. ─░┼čte ├Â─črenmeyi, sorun gidermeyi ve a─č olu┼čturmay─▒ kolayla┼čt─▒rabilecek baz─▒ yollar.

Daha Geni┼č Bir Toplumla Etkile┼čim Kurun

  • GitHub Issues: The YOLOv8 repository on GitHub has an Issues tab where you can ask questions, report bugs, and suggest new features. The community and maintainers are active here, and it's a great place to get help with specific problems.

  • Ultralytics Discord Sunucusu: Ultralytics , di─čer kullan─▒c─▒lar ve geli┼čtiricilerle etkile┼čime girebilece─činiz bir Discord sunucusuna sahiptir.

Resmi Dok├╝mantasyon ve Kaynaklar:

  • Ultralytics YOLOv8 Dok├╝manlar: Resmi belgeler, kurulum, kullan─▒m ve sorun giderme k─▒lavuzlar─▒n─▒n yan─▒ s─▒ra YOLOv8 hakk─▒nda kapsaml─▒ bir genel bak─▒┼č sa─člar.

Bu kaynaklar─▒ kullanmak sadece kar┼č─▒la┼čt─▒─č─▒n─▒z zorluklarda size rehberlik etmekle kalmayacak, ayn─▒ zamanda YOLOv8 toplulu─čundaki en son trendler ve en iyi uygulamalar konusunda sizi g├╝ncel tutacakt─▒r.

Sonu├ž

Bu k─▒lavuzda, YOLOv8 i├žin temel performans metriklerine yak─▒ndan bakt─▒k. Bu metrikler, bir modelin ne kadar iyi performans g├Âsterdi─čini anlaman─▒n anahtar─▒d─▒r ve modellerine ince ayar yapmak isteyen herkes i├žin hayati ├Ânem ta┼č─▒r. ─░yile┼čtirmeler i├žin ve modelin ger├žek hayattaki durumlarda etkili bir ┼čekilde ├žal─▒┼čt─▒─č─▒ndan emin olmak i├žin gerekli i├žg├Âr├╝leri sunarlar.

Unutmay─▒n, YOLOv8 ve Ultralytics toplulu─ču paha bi├žilmez bir de─čerdir. Di─čer geli┼čtiriciler ve uzmanlarla etkile┼čim kurmak, standart belgelerde bulunmayan i├žg├Âr├╝ ve ├ž├Âz├╝mlere kap─▒ a├žabilir. Nesne tespitinde yol al─▒rken ├Â─črenme ruhunu canl─▒ tutun, yeni stratejiler deneyin ve bulgular─▒n─▒z─▒ payla┼č─▒n. Bunu yaparak toplulu─čun kolektif bilgeli─čine katk─▒da bulunur ve b├╝y├╝mesini sa─člars─▒n─▒z.

Mutlu nesne tespitleri!



Created 2023-11-12, Updated 2024-06-02
Authors: glenn-jocher (6), RizwanMunawar (1), abirami-vina (1)

Yorumlar