Ultralytics YOLO ile Model Doğrulama

Giriş

Doğrulama, makine öğrenimi işlem hattında eğitilmiş modellerinin kalitesini değerlendirmeni sağlayan kritik bir adımdır. Ultralytics YOLO26'daki Val modu, nesne algılama modellerinin performansını değerlendirmek için güçlü 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 için eksiksiz bir kaynak görevi görür.

Neden Ultralytics YOLO ile Doğrulama Yapmalısın?

YOLO26'nın Val modunu kullanmanın avantajları şunlardır:

• Hassasiyet: Modelini kapsamlı bir şekilde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metrikler elde et.
• Kolaylık: Doğrulama sürecini basitleştiren ve eğitim ayarlarını hatırlayan yerleşik özelliklerden faydalan.
• Esneklik: Modelini aynı veya farklı veri kümeleri ve görüntü boyutları ile doğrula.
• Hiperparametre Ayarı: Daha iyi performans için modeline ince ayar yapmak adına doğrulama metriklerini kullan.

Val 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 bir dizi doğruluk metriğine göre değerlendir.
• CLI ve Python API: Doğrulama için tercihe bağlı olarak komut satırı arayüzü veya Python API arasından seçim yap.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri kümeleriyle ve özel veri kümeleriyle sorunsuz bir şekilde çalışır.

Kullanım Örnekleri

Eğitilmiş bir YOLO26n modelini COCO8 veri kümesi üzerinde doğruluk açısından doğrula. model, eğitim data ayarlarını ve argümanlarını model öznitelikleri olarak koruduğundan hiçbir 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

YOLO Model Doğrulaması için Argümanlar

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

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

Argümanlarla Örnek Doğrulama

Aşağıdaki örnekler, Python ve CLI'da özel argümanlarla YOLO modeli 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.

SSS

YOLO26 modelimi Ultralytics ile nasıl doğrularım?

YOLO26 modelini doğrulamak için Ultralytics tarafından sağlanan Val modunu kullanabilirsin. Örneğin, Python API'sini kullanarak bir model yükleyebilir ve şu şekilde doğrulama 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 hem Python hem de CLI modlarında imgsz, batch ve conf gibi çeşitli argümanları ayarlayabilirsin. Parametrelerin tam listesi için YOLO Model Doğrulaması için Argümanlar bölümüne göz at.

YOLO26 model doğrulamasından hangi metrikleri alabilirim?

YOLO26 model doğrulaması, model performansını değerlendirmek için çeşitli önemli metrikler 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 fazla IoU eşiğinde ortalama Hassasiyet)

Python API'sini kullanarak bu metriklere 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 incelemen çok önemlidir. Daha fazla ayrıntı için Val Modunun Temel Özellikleri bölümüne bak.

Doğrulama için Ultralytics YOLO kullanmanın avantajları nelerdir?

Doğrulama için Ultralytics YOLO kullanmanın çeşitli avantajları 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, daha iyi performans için modellerin ince ayarının yapılmasına yardımcı olur.

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

YOLO26 modelimi özel bir veri kümesi kullanarak doğrulayabilir miyim?

Evet, YOLO26 modelini özel bir veri kümesi kullanarak doğrulayabilirsin. data argümanını veri kümesi yapılandırma dosyanın yoluyla belirt. Bu dosya, doğrulama verilerine 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 fazla özelleştirilebilir seçenek için Argümanlarla Örnek Doğrulama bölümüne bak.

YOLO26'da doğrulama sonuçlarını nasıl JSON dosyasına kaydedebilirim?

Doğrulama sonuçlarını bir JSON dosyasına kaydetmek için, doğrulama çalıştırırken save_json argümanını True olarak ayarlayabilirsin. Bu, hem Python API'sinde hem de CLI'da 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 işlev, daha fazla analiz veya diğer araçlarla entegrasyon için özellikle kullanışlıdır. Daha fazla ayrıntı için YOLO Model Doğrulaması için Argümanlar bölümünü kontrol et.