ile Model Doğrulama Ultralytics YOLO

Giriş

Doğrulama, eğitilmiş modellerinizin kalitesini değerlendirmenize olanak tanıyan, makine öğrenimi işlem hattındaki kritik bir adımdır. Ultralytics YOLOv8 adresindeki Val modu, nesne algılama modellerinizin performansını değerlendirmek için sağlam bir araç ve metrik paketi sunar. Bu kılavuz, modellerinizin hem doğru hem de güvenilir olmasını sağlamak için Val modunun nasıl etkili bir şekilde kullanılacağını anlamak için eksiksiz bir kaynak görevi görür.

İzle: Ultralytics Modlar Eğitimi: Doğrulama

Neden Ultralytics YOLO ile Doğrulama Yapmalısınız?

İşte YOLOv8'un Val modunu kullanmanın neden avantajlı olduğu:

• Hassasiyet: Modelinizi kapsamlı bir şekilde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru ölçümler elde edin.
• Kolaylık: Eğitim ayarlarını hatırlayarak doğrulama sürecini basitleştiren yerleşik özelliklerden yararlanın.
• Esneklik: Modelinizi aynı veya farklı veri kümeleri ve görüntü boyutlarıyla doğrulayın.
• Hiperparametre Ayarlama: Daha iyi performans için modelinize ince ayar yapmak üzere doğrulama metriklerini kullanın.

Val Modunun Temel Özellikleri

Bunlar, YOLOv8'un Val modu tarafından sunulan dikkate değer işlevlerdir:

• Otomatik Ayarlar: Modeller, doğrudan doğrulama için eğitim yapılandırmalarını hatırlar.
• Çoklu Metrik Desteği: Modelinizi bir dizi doğruluk ölçütüne göre değerlendirin.
• CLI ve Python API: Doğrulama tercihinize göre komut satırı arayüzü veya Python API arasından seçim yapın.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri kümelerinin yanı sıra özel veri kümeleriyle de sorunsuz çalışır.

Kullanım Örnekleri

COCO8 veri kümesi üzerinde eğitilmiş YOLOv8n model doğruluğunu doğrulayın. Herhangi bir argüman geçilmesine gerek yoktur. model eğitimini sürdürür data ve model öznitelikleri olarak bağımsız değişkenler. Dışa aktarma bağımsız değişkenlerinin tam listesi için aşağıdaki Bağımsız Değişkenler bölümüne bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.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 contains map50-95 of each category

yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

YOLO Model Doğrulama için Argümanlar

YOLO modellerini doğrularken, değerlendirme sürecini optimize etmek için çeşitli argümanlara ince ayar yapılabilir. Bu bağımsız değişkenler girdi görüntüsü boyutu, toplu işleme ve performans eşikleri gibi hususları kontrol eder. Aşağıda, doğrulama ayarlarınızı etkili bir şekilde özelleştirmenize yardımcı olmak için her bir bağımsız değişkenin ayrıntılı bir dökümü yer almaktadır.

Bu ayarların her biri doğrulama sürecinde hayati bir rol oynar ve YOLO modellerinin özelleştirilebilir ve verimli bir şekilde değerlendirilmesine olanak tanır. Bu parametreleri özel ihtiyaçlarınıza ve kaynaklarınıza göre ayarlamak, doğruluk ve performans arasında en iyi dengeyi elde etmenize yardımcı olabilir.

Bağımsız Değişkenlerle Örnek Doğrulama

Aşağıdaki örnekler Python ve CLI adreslerinde özel argümanlarla YOLO model doğrulamasını göstermektedir.

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

SSS

YOLOv8 modelimi Ultralytics ile nasıl doğrulayabilirim?

YOLOv8 modelinizi doğrulamak için Ultralytics tarafından sağlanan Val modunu kullanabilirsiniz. Örneğin, Python API'sini kullanarak bir model yükleyebilir ve doğrulamayı şu şekilde çalıştırabilirsiniz:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

Alternatif olarak, komut satırı arayüzünü (CLI) kullanabilirsiniz:

yolo val model=yolov8n.pt

Daha fazla özelleştirme için, aşağıdaki gibi çeşitli argümanları ayarlayabilirsiniz imgsz, batchve conf hem Python hem de CLI modlarında. Kontrol edin YOLO Model Doğrulama için Argümanlar bölümünde parametrelerin tam listesini bulabilirsiniz.

YOLOv8 model doğrulamasından hangi ölçümleri elde edebilirim?

YOLOv8 model doğrulaması, model performansını değerlendirmek için birkaç temel ölçüt sağlar. Bunlar şunları içerir:

• mAP50 (IoU eşiğinde ortalama Ortalama Hassasiyet 0,5)
• mAP75 (IoU eşiğinde ortalama Ortalama Hassasiyet 0,75)
• mAP50-95 (0,5 ila 0,95 arasındaki çoklu IoU eşiklerinde ortalama Ortalama Hassasiyet)

Python API'sini kullanarak bu metriklere aşağıdaki şekilde erişebilirsiniz:

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

Tam bir performans değerlendirmesi için tüm bu ölçümleri gözden geçirmek çok önemlidir. Daha fazla ayrıntı için Val Modunun Temel Özellikleri bölümüne bakın.

Doğrulama için Ultralytics YOLO adresini kullanmanın avantajları nelerdir?

Doğrulama için Ultralytics YOLO adresinin kullanılması çeşitli avantajlar sağlar:

• Hassasiyet: YOLOv8 , mAP50, mAP75 ve mAP50-95 dahil olmak üzere doğru performans ölçümleri sunar.
• Kolaylık: Modeller eğitim ayarlarını hatırlayarak doğrulamayı kolaylaştırır.
• Esneklik: Aynı veya farklı veri kümelerine ve görüntü boyutlarına karşı doğrulama yapabilirsiniz.
• Hiperparametre Ayarlama: Doğrulama metrikleri, daha iyi performans için modellerde ince ayar yapılmasına yardımcı olur.

Bu avantajlar, modellerinizin kapsamlı bir şekilde değerlendirilmesini ve üstün sonuçlar için optimize edilebilmesini sağlar. Neden Ultralytics YOLO ile Doğrulama bölümünde bu avantajlar hakkında daha fazla bilgi edinin.

Özel bir veri kümesi kullanarak YOLOv8 modelimi doğrulayabilir miyim?

Evet, özel bir veri kümesi kullanarak YOLOv8 modelinizi doğrulayabilirsiniz. Belirtmek data argümanını veri kümesi yapılandırma dosyanızın yolu ile birlikte kullanın. Bu dosya doğrulama verilerinin yollarını, sınıf adlarını ve diğer ilgili ayrıntıları içermelidir.

Python adresindeki örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLI adresini kullanan örnek:

yolo val model=yolov8n.pt data=path/to/your/custom_dataset.yaml

Doğrulama sırasında daha fazla özelleştirilebilir seçenek için Bağımsız Değişkenlerle Örnek Doğrulama bölümüne bakın.

Doğrulama sonuçlarını YOLOv8 adresindeki bir JSON dosyasına nasıl kaydederim?

Doğrulama sonuçlarını bir JSON dosyasına kaydetmek için save_json argümanına True doğrulama çalıştırılırken. Bu işlem hem Python API'sinde hem de CLI adresinde yapılabilir.

Python adresindeki örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLI adresini kullanan örnek:

yolo val model=yolov8n.pt save_json=True

Bu işlevsellik özellikle daha fazla analiz veya diğer araçlarla entegrasyon için kullanışlıdır. Daha fazla ayrıntı için YOLO Model Doğrulama Argümanları bölümüne bakın.

Yorumlar