Thông tin chi tiết về Đánh giá và Điều chỉnh Mô hình

Giới thiệu

Sau khi bạn đã đào tạo mô hình thị giác máy tính của mình, việc đánh giá và tinh chỉnh nó để thực hiện tối ưu là điều cần thiết. Chỉ đào tạo mô hình của bạn là không đủ. Bạn cần đảm bảo rằng mô hình của mình chính xác, hiệu quả và đáp ứng được mục tiêu của dự án thị giác máy tính của bạn. Bằng cách đánh giá và tinh chỉnh mô hình của mình, bạn có thể xác định điểm yếu, cải thiện độ chính xác của nó và tăng hiệu suất tổng thể.

Đồng hồ: Thông tin chi tiết về Đánh giá và Tinh chỉnh Mô hình | Mẹo để Cải thiện Độ chính xác Trung bình Trung bình

Trong hướng dẫn này, chúng tôi sẽ chia sẻ những hiểu biết sâu sắc về đánh giá và tinh chỉnh mô hình giúp bước này của dự án thị giác máy tính dễ tiếp cận hơn. Chúng tôi 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 hiệu suất của một mô hình giúp chúng ta hiểu được hiệu quả hoạt động của nó. Nhiều số liệu khác nhau được sử dụng để đo hiệu suất. Các số liệu hiệu suất này cung cấp thông tin chi tiết rõ ràng, có thể hướng dẫn cải tiến để đảm bảo mô hình đạt được các mục tiêu dự kiến. Chúng ta hãy xem xét kỹ hơn một số số liệu chính.

Điểm tin cậy

Điểm tin cậy thể hiện mức độ 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 mức độ tin cậy cao hơn. Điểm tin cậy giúp lọc các dự đoán; chỉ những phát hiện có điểm tin cậy trên ngưỡng được chỉ 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 được mục tiêu dự án của bạn, nhưng đây 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.

Chúng ta 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 toán ở nhiều ngưỡng IoU, từ 0,5 đến 0,95 theo mức tăng 0,05. Số liệu này chi tiết và nghiêm ngặt hơn. Nó cung cấp bức tranh đầy đủ hơn về mức độ chính xác mà 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 số liệu mAP khác bao gồm mAP@0.75, sử dụng ngưỡng IoU chặt chẽ hơn là 0.75, và mAP@small, medium và large, dùng để đánh giá độ chính xác trên các đối tượng có kích thước khác nhau.

Đánh giá YOLO11 Hiệu suất mô hình

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.

Những câu hỏi thường gặp của cộng đồng

Khi đánh giá của bạn YOLO11 mô hình, bạn có thể gặp phải một vài trục trặc. Dựa trên các câu hỏi chung của cộng đồng, sau đây là một số mẹo giúp bạn tận dụng tối đa YOLO11 người mẫu:

Xử lý kích thước hình ảnh thay đổi

Đánh giá của bạn YOLO11 mô hình với 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 tham số xác thực đặt kích thước tối đa để thay đổi kích thước hình ảnh, mặc định là 640. Bạn có thể điều chỉnh kích thước này dựa trên kích thước tối đa của tập dữ liệu và GPU bộ nhớ có sẵn. Ngay cả với imgsz bộ, rect=true cho phép mô hình quản lý hiệu quả các kích thước hình ảnh khác nhau bằng cách điều chỉnh bước tiến một cách linh hoạt.

Truy cập YOLO11 Số liệu

Nếu bạn muốn hiểu sâu hơn về YOLO11 hiệu suất của mô hình, 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.

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 YOLO11 mô hình để có hiệu suất tốt hơn, giúp nó hiệu quả hơn cho trường hợp sử dụng cụ thể của bạn.

Quá trình tinh chỉnh diễn ra như thế nào?

Tinh chỉnh bao gồm 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 thực tế. Bạn có thể đào tạo lại mô hình của mình dựa trên đánh giá mô hình của mình để đạt được kết quả tối ưu.

Mẹo để tinh chỉnh mô hình của bạn

Tinh chỉnh mô hình có nghĩa là chú ý đến một số thông số và kỹ thuật quan trọng để đạt được hiệu suất tối ưu. Sau đây là một số mẹo thiết yếu 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 của bạn YOLO11 mô hình, bạn có thể thiết lập warmup_epochs tham số xác thực để warmup_epochs=0 để ngăn chặn tốc độ học tập bắt đầu quá cao. Bằng cách làm theo quy trình này, quá trình đào tạo sẽ tiếp tục từ các trọng số được cung cấp, điều chỉnh theo sắc thái của dữ liệu mới của bạn.

Ghép ảnh cho các đối tượng 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 thành các phân đoạn nhỏ hơn, chẳng hạn như chia các hình ảnh 1280x1280 thành nhiều phân đoạn 640x640, bạn duy trì độ phân giải gốc và mô hình có thể học 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.

Tham gia 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 sự trợ giúp và hỗ trợ

• Các vấn đề của GitHub: Khám phá YOLO11 Kho lưu trữ GitHub và sử dụng tab Sự cố 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 sự cố bạn gặp phải.
• Máy chủ Discord Ultralytics : Tham gia máy chủ Discord Ultralytics để kết nối với những người dùng và nhà phát triển khác, nhận hỗ trợ, chia sẻ kiến thức và đưa ra 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.

Suy nghĩ cuối cùng

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!

CÂU HỎI THƯỜNG GẶP

Các số liệu chính để đánh giá là gì? YOLO11 hiệu suất mô hình?

Để đánh giá YOLO11 hiệu suất mô hình, các số liệu quan trọng bao gồm Điểm tin cậy, Giao điểm trên hợp (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 một đào tạo trước YOLO11 mô hình cho tập dữ liệu cụ thể của tôi?

Tinh chỉnh một đào tạo trước YOLO11 mô hình liên quan đến việc điều chỉnh các tham số của nó để cải thiện hiệu suất trên một nhiệm vụ hoặc tập dữ liệu cụ thể. Bắt đầu bằng cách đánh giá mô hình của bạn bằng cách sử dụng số liệu, sau đó đặt tốc độ học ban đầu cao hơn bằng cách điều chỉnh warmup_epochs tham số thành 0 để có sự ổn định ngay lập tức. Sử dụng các tham số như rect=true để xử lý hiệu quả các kích thước hình ảnh khác nhau. Để biết hướng dẫn chi tiết hơn, hãy tham khảo phần của chúng tôi về tinh chỉnh YOLO11 mô hình.

Làm thế nào tôi có thể xử lý các kích thước hình ảnh thay đổi khi đánh giá YOLO11 người mẫu?

Để xử lý các 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 để phù hợp với tập dữ liệu của bạn và GPU bộ nhớ. Để biết thêm chi tiết, hãy truy cập phần về 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 YOLO11 người mẫu?

Cải thiện độ chính xác trung bình (mAP) cho một YOLO11 Mô hình bao gồm một số bước:

1. Điều chỉnh siêu tham số : Thử nghiệm với các tốc độ học tập, kích thước lô và tăng cường hình ảnh khác nhau.
2. Tăng cường dữ liệu : Sử dụng các kỹ thuật như Mosaic và MixUp để tạo ra các mẫu đào tạo đa dạng.
3. 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 YOLO11 số liệu đánh giá mô hình trong Python ?

Bạn có thể truy cập YOLO11 mô hình đánh giá số liệu sử dụng Python với các bước sau:

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 YOLO11 mô hình. Để tìm hiểu sâu hơn, hãy xem hướng dẫn của chúng tôi về số liệu YOLO11 .

📅 Created 5 months ago ✏️ Updated 13 days ago

Bình luận