Link to this sectionUltralytics YOLO ile Model Doğrulama#

Link to this sectionGiriş#

Doğrulama, eğitilmiş modellerinin kalitesini değerlendirmeni sağlayan machine learning sürecinde kritik bir adımdır. Ultralytics YOLO26'daki Val modu, object detection modellerinin performansını değerlendirmek için sağlam bir araç ve metrik paketi sunar. Bu kılavuz, modellerinin hem doğru hem de güvenilir olduğundan emin olmak için Val modunu nasıl etkin bir şekilde kullanacağını anlaman adına eksiksiz bir kaynak görevi görür.

Link to this sectionNeden Ultralytics YOLO ile Doğrulama Yapmalısın?#

YOLO26'nın Val modunu kullanmanın avantajları şunlardır:

• Doğruluk: Modelini kapsamlı bir şekilde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metrikler elde et.
• Kolaylık: Eğitim ayarlarını hatırlayan yerleşik özellikleri kullanarak doğrulama sürecini basitleştir.
• Esneklik: Modelini aynı veya farklı veri kümeleri ve görüntü boyutlarıyla doğrula.
• Hyperparameter Tuning: Daha iyi performans için modelini ince ayar yapmak amacıyla doğrulama metriklerini kullan.

Link to this sectionVal Modunun Temel Özellikleri#

Bunlar, YOLO26'nın Val modu tarafından sunulan önemli işlevlerdir:

• Otomatik Ayarlar: Modeller, basit bir doğrulama için eğitim yapılandırmalarını hatırlar.
• Çoklu Metrik Desteği: Modelini çeşitli doğruluk metriklerine göre değerlendir.
• CLI ve Python API: Doğrulama için tercihinize göre komut satırı arayüzü veya Python API arasından seçim yap.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri kümeleriyle ve özel veri kümeleriyle sorunsuz çalışır.

Link to this sectionKullanım Örnekleri#

Eğitilmiş bir YOLO26n modelini COCO8 veri kümesi üzerinde accuracy açısından doğrula. model nesnesi, eğitim data'sını ve bağımsız değişkenlerini model nitelikleri olarak koruduğu için herhangi bir ek argümana gerek yoktur. Doğrulama argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bak.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Link to this sectionYOLO Model Doğrulaması için Argümanlar#

YOLO modellerini doğrulerken, değerlendirme sürecini optimize etmek için çeşitli argümanlara ince ayar yapılabilir. Bu argümanlar giriş görüntüsü boyutu, toplu işleme (batch) ve performans eşikleri gibi unsurları kontrol eder. Doğrulama ayarlarını etkili bir şekilde özelleştirmene yardımcı olması için her argümanın ayrıntılı dökümü aşağıdadır.

Bu ayarların her biri, YOLO modellerinin özelleştirilebilir ve verimli bir şekilde değerlendirilmesini sağlayarak doğrulama sürecinde hayati bir rol oynar. Bu parametreleri özel ihtiyaçlarına ve kaynaklarına göre ayarlamak, doğruluk ve performans arasında en iyi dengeyi kurmana yardımcı olabilir.

Link to this sectionArgümanlarla Örnek Doğrulama#

Aşağıdaki örnekler, Python ve CLI'da özel argümanlarla YOLO model doğrulamasını göstermektedir.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate and access per-image metrics
results = model.val(data="coco8.yaml")

# image_metrics is a dictionary with image filenames as keys
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Access metrics for a specific image
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Daha fazla ayrıntı için DataExportMixin sınıfı belgelerine bak.

Link to this sectionSSS#

Link to this sectionYOLO26 modelimi Ultralytics ile nasıl doğrularım?#

YOLO26 modelini doğrulamak için Ultralytics tarafından sağlanan Val modunu kullanabilirsin. Örneğin, Python API kullanarak bir model yükleyebilir ve doğrulamayı şununla çalıştırabilirsin:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

Alternatif olarak, komut satırı arayüzünü (CLI) kullanabilirsin:

yolo val model=yolo26n.pt

Daha fazla özelleştirme için imgsz, batch ve conf gibi çeşitli bağımsız değişkenleri hem Python hem de CLI modlarında ayarlayabilirsin. Parametrelerin tam listesi için YOLO Model Doğrulaması için Bağımsız Değişkenler bölümüne göz at.

Link to this sectionYOLO26 model doğrulamasından hangi metrikleri alabilirim?#

YOLO26 model doğrulaması, model performansını değerlendirmek için birkaç önemli metrik sağlar. Bunlar şunları içerir:

• mAP50 (IoU eşiği 0.5'te ortalama Hassasiyet)
• mAP75 (IoU eşiği 0.75'te ortalama Hassasiyet)
• mAP50-95 (0.5'ten 0.95'e kadar birden çok IoU eşiğinde ortalama Hassasiyet)

Python API kullanarak bu metrikleri şu şekilde erişebilirsin:

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Eksiksiz bir performans değerlendirmesi için tüm bu metrikleri gözden geçirmen çok önemlidir. Daha fazla ayrıntı için Val Modunun Temel Özellikleri bölümüne başvur.

Link to this sectionDoğrulama için Ultralytics YOLO kullanmanın avantajları nelerdir?#

Doğrulama için Ultralytics YOLO kullanmanın birçok avantajı vardır:

• Hassasiyet: YOLO26, mAP50, mAP75 ve mAP50-95 dahil olmak üzere doğru performans metrikleri sunar.
• Kolaylık: Modeller eğitim ayarlarını hatırlar, bu da doğrulamayı basit hale getirir.
• Esneklik: Aynı veya farklı veri kümelerine ve görüntü boyutlarına göre doğrulama yapabilirsin.
• Hiperparametre Ayarı: Doğrulama metrikleri, modellerin daha iyi performans için ince ayarının yapılmasına yardımcı olur.

Bu avantajlar, modellerinin kapsamlı bir şekilde değerlendirilmesini ve üstün sonuçlar için optimize edilebilmesini sağlar. Bu avantajlar hakkında daha fazla bilgiyi Neden Ultralytics YOLO ile Doğrulama Yapmalısın bölümünde bulabilirsin.

Link to this sectionYOLO26 modelimi özel bir veri kümesi kullanarak doğrulayabilir miyim?#

Evet, YOLO26 modelini özel bir veri kümesi kullanarak doğrulayabilirsin. data bağımsız değişkenini, veri kümesi yapılandırma dosyanın yolu ile belirt. Bu dosya, doğrulama verisine giden yolu içermelidir.

Python'da örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLI kullanarak örnek:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

Doğrulama sırasında daha özelleştirilebilir seçenekler için Bağımsız Değişkenlerle Doğrulama Örneği bölümüne bak.

Link to this sectionYOLO26'da doğrulama sonuçlarını bir JSON dosyasına nasıl kaydedebilirim?#

Doğrulama sonuçlarını bir JSON dosyasına kaydetmek için, doğrulamayı çalıştırırken save_json bağımsız değişkenini True olarak ayarlayabilirsin. Bu işlem hem Python API hem de CLI ile yapılabilir.

Python'da örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLI kullanarak örnek:

yolo val model=yolo26n.pt save_json=True

Bu işlevsellik, ileri analiz veya diğer araçlarla entegrasyon için özellikle yararlıdır. Daha fazla ayrıntı için YOLO Model Doğrulaması için Bağımsız Değişkenler bölümünü kontrol et.