Ultralytics YOLO ile Model Doğrulama#

Giriş#

Doğrulama, makine öğrenimi işlem hattında kritik bir adımdır ve eğittiğin modellerin kalitesini değerlendirmeni sağlar. 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 olmasını sağlamak üzere Val modunu etkili bir şekilde nasıl kullanacağını anlaman için kapsamlı bir kaynaktır.

Ön hazırlık doğrulama sonuçları için yayınlanmamış YOLO27 önizlemesine göz at.

Neden Ultralytics YOLO ile Doğrulama Yapmalısın?#

YOLO26'nın Val modunu kullanmanın avantajları şunlardır:

• Kesinlik: Modelini kapsamlı şekilde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metrikleri elde et.
• Kolaylık: Eğitim ayarlarını hatırlayan yerleşik özelliklerden yararlanarak doğrulama sürecini basitleştir.
• Esneklik: Modelini aynı veya farklı veri kümeleri ve görüntü boyutlarıyla doğrula.
• Hiperparametre Ayarlama: Daha iyi performans elde etmek üzere modelinde ince ayar yapmak için doğrulama metriklerini kullan.

Val Modunun Temel Özellikleri#

YOLO26'nın Val modu tarafından sunulan dikkat çekici işlevler şunlardır:

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

Kullanım Örnekleri#

COCO8 veri kümesinde eğitilmiş bir YOLO26n modelinin doğruluğunu doğrula. model, eğitim data değerini ve bağımsız değişkenlerini model öznitelikleri olarak koruduğundan herhangi bir bağımsız değişken gerekmez. Doğrulama bağımsız değişkenlerinin tam listesi için aşağıdaki Arguments 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 Modeli Doğrulama Bağımsız Değişkenleri#

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

Bu ayarların her biri doğrulama sürecinde hayati bir rol oynayarak YOLO modellerinin özelleştirilebilir ve verimli şekilde 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 örnekler, özel bağımsız değişkenlerle Python ve CLI üzerinden YOLO modeli doğrulamasını gösterir.

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}

Döndürülen metrik nesnesi, aşağı akış analizi için dışa aktarma yardımcılarını da ortaya çıkarır:

Daha fazla ayrıntı için DataExportMixin sınıfı belgelerine bak.

Sırada Ne Var?#

Metriklerden memnun musun? Modeli bir dağıtım biçimine dışa aktar. Doğruluk beklentileri karşılamıyorsa farklı hiperparametrelerle veya daha fazla eğitim verisiyle geri dönüp yeniden eğit.

SSS#