Ultralytics YOLO ile Model Doğrulama#

Giriş#

Doğrulama, makine öğrenimi işlem hattında kritik bir adımdır ve eğitilmiş modellerinin kalitesini değerlendirmeni sağlar. Ultralytics YOLO26'daki Val modu, nesne algılama modellerinin performansını değerlendirmek için kapsamlı bir araç ve metrik seti sunar. Bu kılavuz, modellerinin hem doğru hem de güvenilir olmasını sağlamak üzere Val modunu etkili biçimde kullanmayı anlaman için eksiksiz bir kaynaktır.

İlk doğrulama sonuçları için yayımlanmamış YOLO27 önizlemesine bak.

Neden Ultralytics YOLO ile doğrulama yapmalısın?#

YOLO26'nın Val modunu kullanmanın avantajları şunlardır:

• Hassasiyet: Modelini kapsamlı biçimde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metrikler elde et.
• Kolaylık: Eğitim ayarlarını hatırlayan yerleşik özelliklerden yararlanarak doğrulama sürecini basitleştir.
• Esneklik: Modelini aynı veya farklı veri kümeleriyle ve görüntü boyutlarıyla doğrula.
• Hiperparametre Ayarı: Daha iyi performans elde etmek için doğrulama metriklerini kullanarak modelinde ince ayar yap.

Val Modunun Önemli Özellikleri#

YOLO26'nın Val modunun sunduğu dikkat çekici işlevler şunlardır:

• Otomatik Ayarlar: Modeller, doğrulamayı kolaylaştırmak için eğitim yapılandırmalarını hatırlar.
• Çoklu Metrik Desteği: Modelini çeşitli doğruluk metriklerine göre değerlendir.
• CLI ve Python API: Doğrulama için tercihlerine göre komut satırı arayüzünü veya Python API'yi seç.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri kümelerinin yanı sıra özel veri kümeleriyle de sorunsuz çalışır.

Kullanım Örnekleri#

Eğitilmiş bir YOLO26n modelinin doğruluğunu doğrula. model, eğitim data değerini ve bağımsız değişkenlerini model öznitelikleri olarak sakladığı için bağımsız değişken belirtmen gerekmez: path/to/best.pt, modelin eğitildiği veri kümesinde doğrulama yapar. Resmî ağırlıklar, makinenizde bulunmayan bir eğitim veri kümesi yolunu kaydeder; bu nedenle bir uyarıyla görev için varsayılan coco8.yaml değerine geri döner. Başka bir veri kümesinde doğrulama yapmak için data değerini belirt. Doğrulama bağımsız değişkenlerinin tam listesi için aşağıdaki Bağımsız Değişkenler bölümüne bak.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")  # Resmî bir modeli yükle
model = YOLO("path/to/best.pt")  # özel bir model yükle

# Modeli doğrula
metrics = model.val()  # Bağımsız değişken gerekmez; veri kümesi ve ayarlar hatırlanır
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # Her kategori için mAP50-95 içeren bir liste
metrics.box.image_metrics  # Hassasiyet, geri çağırma, F1, TP, FP ve FN değerlerini içeren görüntü başına metrik sözlüğü

YOLO Modeli Doğrulama Bağımsız Değişkenleri#

YOLO modellerini doğrularken değerlendirme sürecini iyileştirmek için çeşitli bağımsız değişkenlerde ince ayar yapabilirsin. Bu bağımsız değişkenler; giriş görüntüsü boyutu, toplu işleme ve performans eşikleri gibi unsurları kontrol eder. Doğrulama ayarlarını etkili biçimde özelleştirmene yardımcı olmak için her bağımsız değişkenin ayrıntılı açıklaması aşağıda verilmiştir.

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

Bağımsız Değişkenlerle Doğrulama Örneği#

Aşağıdaki örneklerde, özel bağımsız değişkenlerle bir YOLO modelinin Python ve CLI kullanılarak nasıl doğrulanacağı gösterilmektedir.

from ultralytics import YOLO

# Bir model yükle
model = YOLO("yolo26n.pt")

# Doğrulama ayarlarını özelleştir
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

# Bir model yükle
model = YOLO("yolo26n.pt")

# Doğrulama yap ve görüntü başına metriklere eriş
results = model.val(data="coco8.yaml")

# image_metrics, anahtar olarak görüntü dosyası adlarını kullanan bir sözlüktür
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Belirli bir görüntünün metriklerine eriş
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Döndürülen metrik nesnesi, sonraki analizler için dışa aktarma yardımcılarını da sunar:

Daha fazla bilgi için DataExportMixin sınıf belgelerine bak.

Sırada ne var?#

Metriklerden memnun musun? Dağıtım biçimine modeli aktar. Doğruluk istediğin gibi değilse, farklı hiperparametrelerle veya daha fazla eğitim verisiyle geri dönüp yeniden eğit.

Sık Sorulan Sorular#