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#