Ultralytics YOLO ile Model Doğrulama#

Giriş#

Doğrulama, eğitilmiş modellerinizin kalitesini değerlendirmenize olanak tanıyan machine learning işlem hattında kritik bir adımdır. Ultralytics YOLO26 içindeki Val modu, object detection modellerinizin performansını değerlendirmek için güçlü araçlar ve metrikler sunar. Bu kılavuz, modellerinizin hem doğru hem de güvenilir olmasını sağlamak için Val modunu nasıl etkili bir şekilde kullanacağınızı anlamanız adına 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 özellikleri kullan.
• Esneklik: Modelini aynı veya farklı veri setleri ve görüntü boyutlarıyla doğrula.
• Hyperparameter Tuning: Daha iyi performans için modelinizi ince ayarlarla optimize etmek üzere doğrulama metriklerini kullanın.

Val Modunun Temel Özellikleri#

Bunlar, YOLO26'nın Val modunun sunduğu kayda değer 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 tercihine bağlı olarak komut satırı arayüzü veya Python API arasından seçim yap.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri setleriyle ve özel veri setleriyle sorunsuz çalışır.

Kullanım Örnekleri#

COCO8 veri seti üzerinde eğitilmiş bir YOLO26n modelinin accuracy değerini doğrulayın. model, eğitim data değerlerini ve argümanlarını model özellikleri olarak koruduğundan hiçbir argümana gerek yoktur. Doğrulama argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

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 Doğrulama Argümanları#

YOLO modellerini doğrulerken, değerlendirme sürecini optimize etmek için çeşitli argümanlara ince ayar yapılabilir. Bu argümanlar; girdi görüntüsü boyutu, toplu işleme ve performans eşikleri gibi yönleri kontrol eder. Doğrulama ayarlarını etkili bir şekilde özelleştirmene yardımcı olmak 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 değerlendirilmesine olanak tanır. Bu parametreleri özel ihtiyaçlarına ve kaynaklarına göre ayarlamak, doğruluk ve performans arasında en iyi dengeyi yakalamana 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 class documentation sayfasına bakın.

Sırada ne var#

Metriklerden memnun musun? Modeli bir dağıtım formatına dışa aktar. Doğruluk düşükse, farklı hiperparametreler veya daha fazla eğitim verisiyle geri dön ve yeniden eğit.

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 ayarlayabilirsiniz. Parametrelerin tam listesi için Arguments for YOLO Model Validation bölümünü kontrol edin.

YOLO26 modeli doğrulamasından hangi metrikleri alabilirim?#

YOLO26 modeli doğrulaması, model performansını değerlendirmek için birkaç temel 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 fazla IoU eşiği boyunca 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 gözden geçirmek çok önemlidir. Daha fazla ayrıntı için Key Features of Val Mode bölümüne bakın.

Ultralytics YOLO'yu doğrulama için kullanmanın avantajları nelerdir?#

Ultralytics YOLO'yu doğrulama için kullanmak çeşitli avantajlar sağlar:

• Precision: 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 setleri ve görüntü boyutlarına göre doğrulama yapabilirsin.
• Hiperparametre Ayarı: Doğrulama metrikleri, daha iyi performans için modellerin ince ayarının yapılmasına yardımcı olur.

Bu avantajlar, modellerinizin kapsamlı bir şekilde değerlendirilmesini ve üstün sonuçlar için optimize edilebilmesini sağlar. Bu avantajlar hakkında daha fazla bilgi edinmek için Why Validate with Ultralytics YOLO bölümünü inceleyin.

YOLO26 modelimi özel bir veri seti kullanarak doğrulayabilir miyim?#

Evet, custom dataset kullanarak YOLO26 modelinizi doğrulayabilirsiniz. Veri seti yapılandırma dosyanızın yoluyla birlikte data argümanını belirtin. Bu dosya validation data yolunu 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 Example Validation with Arguments bölümüne bakın.

YOLO26'da doğrulama sonuçlarını nasıl JSON dosyasına kaydederim?#

Doğrulama sonuçlarını bir JSON dosyasına kaydetmek için doğrulamayı çalıştırırken save_json argümanını True olarak ayarlayabilirsiniz. Bu işlem hem Python API 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 işlevsellik, daha ileri analizler veya diğer araçlarla entegrasyon için özellikle yararlıdır. Daha fazla ayrıntı için Arguments for YOLO Model Validation bölümünü kontrol edin.