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.
İpucu
- YOLOv8 modeller eğitim ayarlarını otomatik olarak hatırlar, böylece bir modeli aynı görüntü boyutunda ve orijinal veri kümesinde yalnızca
yolo val model=yolov8n.pt
veyamodel('yolov8n.pt').val()
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.
Örnek
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 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.
Tartışma | Tip | Varsayılan | Açıklama |
---|---|---|---|
data |
str |
None |
Veri kümesi yapılandırma dosyasının yolunu belirtir (örn, coco8.yaml ). Bu dosya doğrulama verilerine giden yolları, sınıf adlarını ve sınıf sayısını içerir. |
imgsz |
int |
640 |
Girdi görüntülerinin boyutunu tanımlar. Tüm görüntüler işlenmeden önce bu boyuta yeniden boyutlandırılır. |
batch |
int |
16 |
Toplu iş başına görüntü sayısını ayarlar. Kullanım -1 GPU bellek kullanılabilirliğine göre otomatik olarak ayarlanan AutoBatch için. |
save_json |
bool |
False |
Eğer True daha fazla analiz veya diğer araçlarla entegrasyon için sonuçları bir JSON dosyasına kaydeder. |
save_hybrid |
bool |
False |
Eğer True orijinal açıklamaları ek model tahminleriyle birleştiren etiketlerin hibrit bir versiyonunu kaydeder. |
conf |
float |
0.001 |
Tespitler için minimum güven eşiğini ayarlar. Bu eşiğin altında güvene sahip tespitler atılır. |
iou |
float |
0.6 |
Maksimum Olmayan Bastırma (NMS) için Birlik Üzerinde Kesişme (IoU) eşiğini ayarlar. Yinelenen algılamaların azaltılmasına yardımcı olur. |
max_det |
int |
300 |
Görüntü başına maksimum algılama sayısını sınırlar. Yoğun sahnelerde aşırı algılamaları önlemek için kullanışlıdır. |
half |
bool |
True |
Yarım hassasiyetli (FP16) hesaplamaya olanak tanıyarak bellek kullanımını azaltır ve doğruluk üzerinde minimum etkiyle hızı potansiyel olarak artırır. |
device |
str |
None |
Doğrulama için cihazı belirtir (cpu , cuda:0 vb.). CPU veya GPU kaynaklarının kullanımında esneklik sağlar. |
dnn |
bool |
False |
Eğer True ONNX model çıkarımı için OpenCV DNN modülünü kullanır ve PyTorch çıkarım yöntemlerine bir alternatif sunar. |
plots |
bool |
False |
Olarak ayarlandığında True modelin performansının görsel olarak değerlendirilmesi için zemin gerçeğine karşı tahminlerin çizimlerini oluşturur ve kaydeder. |
rect |
bool |
False |
Eğer True gruplama için dikdörtgen çıkarım kullanır, dolguyu azaltır ve potansiyel olarak hızı ve verimliliği artırır. |
split |
str |
val |
Doğrulama için kullanılacak veri kümesi bölünmesini belirler (val , test veya train ). Performans değerlendirmesi için veri segmenti seçiminde esneklik sağlar. |
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.
Örnek
Oluşturma 2023-11-12, Güncelleme 2024-04-18
Yazarlar: glenn-jocher (9), Burhan-Q (1), RizwanMunawar (1)