Thông tin chi tiết về đánh giá và tinh chỉnh mô hình
Giới thiệu
Khi bạn đã đào tạo mô hình thị giác máy tính của mình, việc đánh giá và tinh chỉnh nó để hoạt động tối ưu là điều cần thiết. Chỉ đào tạo mô hình của bạn là không đủ. Bạn cần đảm bảo rằng mô hình của bạn chính xác, hiệu quả và hoàn thành mục tiêu của dự án thị giác máy tính của bạn. Bằng cách đánh giá và tinh chỉnh mô hình của bạn, bạn có thể xác định điểm yếu, cải thiện độ chính xác của nó và tăng hiệu suất tổng thể.
Trong hướng dẫn này, chúng tôi sẽ chia sẻ thông tin chi tiết về đánh giá mô hình và tinh chỉnh sẽ làm cho bước này của dự án thị giác máy tính dễ tiếp cận hơn. Chúng ta sẽ thảo luận về cách hiểu các số liệu đánh giá và triển khai các kỹ thuật tinh chỉnh, cung cấp cho bạn kiến thức để nâng cao khả năng của mô hình.
Đánh giá hiệu suất mô hình bằng cách sử dụng số liệu
Đánh giá một mô hình hoạt động tốt như thế nào giúp chúng ta hiểu nó hoạt động hiệu quả như thế nào. Các số liệu khác nhau được sử dụng để đo lường hiệu suất. Các chỉ số hiệu suất này cung cấp thông tin chi tiết rõ ràng, bằng số có thể hướng dẫn các cải tiến để đảm bảo mô hình đáp ứng các mục tiêu dự định. Chúng ta hãy xem xét kỹ hơn một vài số liệu chính.
Điểm tin cậy
Điểm tin cậy thể hiện sự chắc chắn của mô hình rằng một đối tượng được phát hiện thuộc về một lớp cụ thể. Nó dao động từ 0 đến 1, với điểm số cao hơn cho thấy sự tự tin cao hơn. Điểm tin cậy giúp lọc các dự đoán; Chỉ những phát hiện có điểm tin cậy trên ngưỡng quy định mới được coi là hợp lệ.
Mẹo nhanh: Khi chạy suy luận, nếu bạn không thấy bất kỳ dự đoán nào và bạn đã kiểm tra mọi thứ khác, hãy thử giảm điểm tin cậy. Đôi khi, ngưỡng quá cao, khiến mô hình bỏ qua các dự đoán hợp lệ. Giảm điểm cho phép mô hình xem xét nhiều khả năng hơn. Điều này có thể không đáp ứng mục tiêu dự án của bạn, nhưng đó là một cách tốt để xem mô hình có thể làm gì và quyết định cách tinh chỉnh nó.
Giao lộ qua Union
Giao điểm trên hợp nhất (IoU) là một số liệu trong phát hiện đối tượng , đo mức độ hộp giới hạn dự đoán chồng lên hộp giới hạn thực tế. Giá trị IoU nằm trong khoảng từ 0 đến 1, trong đó một biểu thị sự khớp hoàn hảo. IoU rất cần thiết vì nó đo mức độ khớp của ranh giới dự đoán với ranh giới đối tượng thực tế.
Độ chính xác trung bình trung bình
Độ chính xác trung bình trung bình (mAP) là một cách để đo lường hiệu suất của mô hình phát hiện đối tượng. Nó xem xét độ chính xác của việc phát hiện từng lớp đối tượng, tính trung bình các điểm này và đưa ra một con số tổng thể cho thấy mô hình có thể xác định và phân loại đối tượng chính xác như thế nào.
Hãy tập trung vào hai số liệu mAP cụ thể:
- mAP@.5: Đo độ chính xác trung bình tại ngưỡng IoU (Giao điểm trên hợp) duy nhất là 0,5. Số liệu này kiểm tra xem mô hình có thể tìm đúng các đối tượng với yêu cầu độ chính xác lỏng lẻo hơn hay không. Nó tập trung vào việc liệu đối tượng có ở đúng vị trí hay không, không cần vị trí hoàn hảo. Nó giúp xem liệu mô hình có giỏi phát hiện các đối tượng hay không.
- mAP@.5:.95: Tính trung bình các giá trị mAP được tính ở nhiều ngưỡng IoU, từ 0,5 đến 0,95 theo gia số 0,05. Số liệu này chi tiết và nghiêm ngặt hơn. Nó cung cấp một bức tranh đầy đủ hơn về mức độ chính xác của mô hình có thể tìm thấy các đối tượng ở các mức độ nghiêm ngặt khác nhau và đặc biệt hữu ích cho các ứng dụng cần phát hiện đối tượng chính xác.
Các chỉ số mAP khác bao gồm mAP@0,75, sử dụng ngưỡng IoU nghiêm ngặt hơn là 0,75 và mAP@small, trung bình và lớn, đánh giá độ chính xác trên các đối tượng có kích thước khác nhau.
Đánh giá hiệu suất mô hình YOLO11
Đối với YOLO11, bạn có thể sử dụng chế độ xác thực để đánh giá mô hình. Ngoài ra, hãy nhớ xem hướng dẫn của chúng tôi đi sâu vào số liệu hiệu suất YOLO11 và cách chúng có thể được diễn giải.
Các câu hỏi thường gặp của cộng đồng
Khi đánh giá mô hình YOLO11 của bạn, bạn có thể gặp phải một vài trục trặc. Dựa trên các câu hỏi phổ biến của cộng đồng, sau đây là một số mẹo giúp bạn tận dụng tối đa mô hình YOLO11 của mình:
Xử lý kích thước hình ảnh thay đổi
Đánh giá mô hình YOLO11 của bạn bằng các hình ảnh có kích thước khác nhau có thể giúp bạn hiểu hiệu suất của nó trên các tập dữ liệu đa dạng. Sử dụng rect=true tham số xác thực, YOLO11 điều chỉnh bước tiến của mạng cho mỗi lô dựa trên kích thước hình ảnh, cho phép mô hình xử lý hình ảnh hình chữ nhật mà không buộc chúng phải có một kích thước duy nhất.
Các imgsz Thông số xác thực đặt kích thước tối đa để thay đổi kích thước hình ảnh, theo mặc định là 640. Bạn có thể điều chỉnh điều này dựa trên thứ nguyên tối đa của tập dữ liệu và GPU bộ nhớ có sẵn. Ngay cả với imgsz cài rect=true Cho phép người mẫu quản lý các kích thước hình ảnh khác nhau một cách hiệu quả bằng cách tự động điều chỉnh sải chân.
Truy cập số liệu YOLO11
Nếu bạn muốn hiểu sâu hơn về hiệu suất của mô hình YOLO11, bạn có thể dễ dàng truy cập các số liệu đánh giá cụ thể bằng một vài dòng Python mã. Đoạn mã dưới đây sẽ cho phép bạn tải mô hình, chạy đánh giá và in ra nhiều số liệu khác nhau cho thấy mô hình của bạn hoạt động tốt như thế nào.
Sử dụng
from ultralytics import YOLO
# Load the model
model = YOLO("yolo11n.pt")
# Run the evaluation
results = model.val(data="coco8.yaml")
# Print specific metrics
print("Class indices with average precision:", results.ap_class_index)
print("Average precision for all classes:", results.box.all_ap)
print("Average precision:", results.box.ap)
print("Average precision at IoU=0.50:", results.box.ap50)
print("Class indices for average precision:", results.box.ap_class_index)
print("Class-specific results:", results.box.class_result)
print("F1 score:", results.box.f1)
print("F1 score curve:", results.box.f1_curve)
print("Overall fitness score:", results.box.fitness)
print("Mean average precision:", results.box.map)
print("Mean average precision at IoU=0.50:", results.box.map50)
print("Mean average precision at IoU=0.75:", results.box.map75)
print("Mean average precision for different IoU thresholds:", results.box.maps)
print("Mean results for different metrics:", results.box.mean_results)
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Precision:", results.box.p)
print("Precision curve:", results.box.p_curve)
print("Precision values:", results.box.prec_values)
print("Specific precision metrics:", results.box.px)
print("Recall:", results.box.r)
print("Recall curve:", results.box.r_curve)
Đối tượng kết quả cũng bao gồm các số liệu về tốc độ như thời gian tiền xử lý, thời gian suy luận, mất mát và thời gian hậu xử lý. Bằng cách phân tích các số liệu này, bạn có thể tinh chỉnh và tối ưu hóa mô hình YOLO11 của mình để có hiệu suất tốt hơn, giúp mô hình hiệu quả hơn cho trường hợp sử dụng cụ thể của bạn.
Tinh chỉnh hoạt động như thế nào?
Tinh chỉnh liên quan đến việc lấy một mô hình được đào tạo trước và điều chỉnh các tham số của nó để cải thiện hiệu suất trên một tác vụ hoặc tập dữ liệu cụ thể. Quá trình này, còn được gọi là đào tạo lại mô hình, cho phép mô hình hiểu rõ hơn và dự đoán kết quả cho dữ liệu cụ thể mà nó sẽ gặp phải trong các ứng dụng trong thế giới thực. Bạn có thể đào tạo lại mô hình của mình dựa trên đánh giá mô hình để đạt được kết quả tối ưu.
Mẹo tinh chỉnh mô hình của bạn
Tinh chỉnh một mô hình có nghĩa là chú ý đến một số thông số và kỹ thuật quan trọng để đạt được hiệu suất tối ưu. Dưới đây là một số mẹo cần thiết để hướng dẫn bạn trong suốt quá trình.
Bắt đầu với tỷ lệ học tập cao hơn
Thông thường, trong các kỷ nguyên đào tạo ban đầu, tốc độ học bắt đầu ở mức thấp và tăng dần để ổn định quá trình đào tạo. Tuy nhiên, vì mô hình của bạn đã học được một số tính năng từ tập dữ liệu trước đó, nên việc bắt đầu với tốc độ học cao hơn ngay lập tức có thể có lợi hơn.
Khi đánh giá mô hình YOLO11 của bạn, bạn có thể thiết lập warmup_epochs tham số xác thực thành warmup_epochs=0 để ngăn chặn tỷ lệ học tập bắt đầu quá cao. Bằng cách làm theo quy trình này, việc đào tạo sẽ tiếp tục từ các trọng số được cung cấp, điều chỉnh theo các sắc thái của dữ liệu mới của bạn.
Lát gạch hình ảnh cho các vật thể nhỏ
Ghép ảnh có thể cải thiện độ chính xác phát hiện đối với các vật thể nhỏ. Bằng cách chia các hình ảnh lớn hơn thành các phân đoạn nhỏ hơn, chẳng hạn như chia các hình ảnh 1280x1280 thành nhiều phân đoạn 640x640, bạn sẽ duy trì được độ phân giải gốc và mô hình có thể học hỏi từ các phân đoạn có độ phân giải cao. Khi sử dụng YOLO11, hãy đảm bảo điều chỉnh nhãn của bạn cho các phân đoạn mới này một cách chính xác.
Tương tác với cộng đồng
Chia sẻ ý tưởng và câu hỏi của bạn với những người đam mê thị giác máy tính khác có thể truyền cảm hứng cho các giải pháp sáng tạo để giải quyết các rào cản trong dự án của bạn. Sau đây là một số cách tuyệt vời để học hỏi, khắc phục sự cố và kết nối.
Tìm kiếm trợ giúp và hỗ trợ
- GitHub Issues: Khám phá kho lưu trữ GitHub YOLO11 và sử dụng tab Issues để đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng. Cộng đồng và người bảo trì luôn sẵn sàng hỗ trợ bạn giải quyết mọi vấn đề bạn gặp phải.
- Ultralytics Máy chủ Discord: Tham gia Ultralytics Máy chủ Discord để kết nối với những người dùng và nhà phát triển khác, nhận hỗ trợ, chia sẻ kiến thức và động não ý tưởng.
Tài liệu chính thức
- Tài liệu YOLO11 Ultralytics : Tham khảo tài liệu YOLO11 chính thức để biết hướng dẫn toàn diện và thông tin chi tiết có giá trị về nhiều nhiệm vụ và dự án về thị giác máy tính.
Kết luận:
Đánh giá và tinh chỉnh mô hình thị giác máy tính của bạn là những bước quan trọng để triển khai mô hình thành công. Các bước này giúp đảm bảo rằng mô hình của bạn chính xác, hiệu quả và phù hợp với ứng dụng tổng thể của bạn. Chìa khóa để đào tạo mô hình tốt nhất có thể là liên tục thử nghiệm và học hỏi. Đừng ngần ngại điều chỉnh các thông số, thử các kỹ thuật mới và khám phá các tập dữ liệu khác nhau. Hãy tiếp tục thử nghiệm và mở rộng ranh giới của những gì có thể!
FAQ
Những số liệu chính để đánh giá hiệu suất của mô hình YOLO11 là gì?
Để đánh giá hiệu suất mô hình YOLO11, các số liệu quan trọng bao gồm Điểm tin cậy, Giao điểm trên hợp nhất (IoU) và Độ chính xác trung bình trung bình (mAP). Điểm tin cậy đo lường mức độ chắc chắn của mô hình đối với từng lớp đối tượng được phát hiện. IoU đánh giá mức độ hộp giới hạn dự đoán chồng chéo với sự thật cơ bản. Độ chính xác trung bình trung bình (mAP) tổng hợp điểm chính xác trên các lớp, với mAP@.5 và mAP@.5:.95 là hai loại phổ biến cho các ngưỡng IoU khác nhau. Tìm hiểu thêm về các số liệu này trong hướng dẫn số liệu hiệu suất YOLO11 của chúng tôi.
Làm thế nào tôi có thể tinh chỉnh mô hình YOLO11 được đào tạo trước cho tập dữ liệu cụ thể của mình?
Việc tinh chỉnh mô hình YOLO11 được đào tạo trước liên quan đến việc điều chỉnh các tham số của nó để cải thiện hiệu suất trên một tác vụ hoặc tập dữ liệu cụ thể. Bắt đầu bằng cách đánh giá mô hình của bạn bằng các số liệu, sau đó đặt tốc độ học ban đầu cao hơn bằng cách điều chỉnh warmup_epochs tham số về 0 để ổn định ngay lập tức. Sử dụng các thông số như rect=true để xử lý các kích thước hình ảnh khác nhau một cách hiệu quả. Để được hướng dẫn chi tiết hơn, hãy tham khảo phần của chúng tôi về tinh chỉnh các mô hình YOLO11.
Tôi có thể xử lý kích thước hình ảnh thay đổi như thế nào khi đánh giá mô hình YOLO11 của mình?
Để xử lý kích thước hình ảnh thay đổi trong quá trình đánh giá, hãy sử dụng rect=true tham số trong YOLO11, điều chỉnh bước tiến của mạng cho mỗi lô dựa trên kích thước hình ảnh. imgsz Tham số đặt kích thước tối đa để thay đổi kích thước hình ảnh, mặc định là 640. Điều chỉnh imgsz cho phù hợp với tập dữ liệu của bạn và GPU trí nhớ. Để biết thêm chi tiết, hãy truy cập phần xử lý kích thước hình ảnh thay đổi.
Tôi có thể thực hiện những bước thực tế nào để cải thiện độ chính xác trung bình cho mô hình YOLO11 của mình?
Việc cải thiện độ chính xác trung bình (mAP) cho mô hình YOLO11 bao gồm một số bước sau:
- Điều chỉnh siêu tham số : Thử nghiệm với các tốc độ học tập, kích thước lô và tăng cường hình ảnh khác nhau.
- Tăng cường dữ liệu : Sử dụng các kỹ thuật như Mosaic và MixUp để tạo ra các mẫu đào tạo đa dạng.
- Ghép ảnh : Chia ảnh lớn thành các ô nhỏ hơn để cải thiện độ chính xác phát hiện đối với các vật thể nhỏ. Tham khảo hướng dẫn chi tiết của chúng tôi về tinh chỉnh mô hình để biết các chiến lược cụ thể.
Làm thế nào để tôi truy cập vào số liệu đánh giá mô hình YOLO11 trong Python ?
Bạn có thể truy cập số liệu đánh giá mô hình YOLO11 bằng cách sử dụng Python với các bước sau:
Sử dụng
from ultralytics import YOLO
# Load the model
model = YOLO("yolo11n.pt")
# Run the evaluation
results = model.val(data="coco8.yaml")
# Print specific metrics
print("Class indices with average precision:", results.ap_class_index)
print("Average precision for all classes:", results.box.all_ap)
print("Mean average precision at IoU=0.50:", results.box.map50)
print("Mean recall:", results.box.mr)
Phân tích các số liệu này giúp tinh chỉnh và tối ưu hóa mô hình YOLO11 của bạn. Để tìm hiểu sâu hơn, hãy xem hướng dẫn của chúng tôi về số liệu YOLO11 .
