Đo lường hiệu suất chuyên sâu

Q: How can validation metrics from YOLO11 help improve model performance?

Số liệu xác thực từ YOLO11 như độ chính xác, thu hồi, mAP và IoU giúp chẩn đoán và cải thiện hiệu suất mô hình bằng cách cung cấp thông tin chi tiết về các khía cạnh khác nhau của phát hiện: Bằng cách phân tích các số liệu này, có thể nhắm mục tiêu vào các điểm yếu cụ thể, chẳng hạn như điều chỉnh ngưỡng tin cậy để cải thiện độ chính xác hoặc thu thập dữ liệu đa dạng hơn để tăng cường thu hồi. Để biết giải thích chi tiết về các số liệu này và cách diễn giải chúng, hãy kiểm tra Số liệu phát hiện đối tượng.

Giới thiệu

Số liệu hiệu suất là công cụ chính để đánh giá độ chính xác và hiệu quả của các mô hình phát hiện đối tượng . Chúng làm sáng tỏ mức độ hiệu quả của một mô hình trong việc xác định và định vị các đối tượng trong hình ảnh. Ngoài ra, chúng giúp hiểu cách mô hình xử lý các kết quả dương tính giả và kết quả âm tính giả. Những hiểu biết sâu sắc này rất quan trọng để đánh giá và nâng cao hiệu suất của mô hình. Trong hướng dẫn này, chúng ta sẽ khám phá các số liệu hiệu suất khác nhau liên quan đến YOLO11 , ý nghĩa của chúng và cách diễn giải chúng.

Đồng hồ: Ultralytics YOLO11 Chỉ số hiệu suất | MAP, Điểm F1, Độ chính xác, IoU & Độ chính xác

Số liệu phát hiện đối tượng

Chúng ta hãy bắt đầu bằng cách thảo luận một số số liệu không chỉ quan trọng đối với YOLO11 nhưng có thể áp dụng rộng rãi trên nhiều mô hình phát hiện đối tượng khác nhau.

Giao điểm trên hợp nhất (IoU): IoU là một phép đo định lượng sự chồng chéo giữa hộp giới hạn dự đoán và hộp giới hạn thực tế. Nó đóng vai trò cơ bản trong việc đánh giá độ chính xác của việc định vị đối tượng.
Độ chính xác trung bình (AP): AP tính toán diện tích bên dưới đường cong độ chính xác-thu hồi, cung cấp một giá trị duy nhất bao hàm hiệu suất độ chính xác và thu hồi của mô hình.
Độ chính xác trung bình trung bình (mAP): mAP mở rộng khái niệm AP bằng cách tính toán các giá trị AP trung bình trên nhiều lớp đối tượng. Điều này hữu ích trong các tình huống phát hiện đối tượng đa lớp để cung cấp đánh giá toàn diện về hiệu suất của mô hình.
Độ chính xác và Thu hồi: Độ chính xác định lượng tỷ lệ dương tính thật trong số tất cả các dự đoán dương tính, đánh giá khả năng của mô hình trong việc tránh các dương tính giả. Mặt khác, Thu hồi tính toán tỷ lệ dương tính thật trong số tất cả các dương tính thực tế, đo lường khả năng của mô hình trong việc phát hiện tất cả các trường hợp của một lớp.
Điểm F1: Điểm F1 là giá trị trung bình hài hòa của độ chính xác và độ thu hồi, cung cấp đánh giá cân bằng về hiệu suất của mô hình trong khi xem xét cả kết quả dương tính giả và kết quả âm tính giả.

Cách tính số liệu cho YOLO11 Người mẫu

Bây giờ, chúng ta có thể khám phá chế độ Xác thực của YOLO11 có thể được sử dụng để tính toán các số liệu đánh giá đã thảo luận ở trên.

Sử dụng chế độ xác thực rất đơn giản. Khi bạn đã có mô hình được đào tạo, bạn có thể gọi hàm model.val(). Sau đó, hàm này sẽ xử lý tập dữ liệu xác thực và trả về nhiều số liệu hiệu suất khác nhau. Nhưng những số liệu này có ý nghĩa gì? Và bạn nên diễn giải chúng như thế nào?

Diễn giải đầu ra

Chúng ta hãy phân tích đầu ra của hàm model.val() và hiểu từng phân đoạn của đầu ra.

Số liệu theo từng lớp

Một trong những phần của đầu ra là sự phân tích theo từng lớp của số liệu hiệu suất. Thông tin chi tiết này hữu ích khi bạn đang cố gắng hiểu mô hình hoạt động tốt như thế nào đối với từng lớp cụ thể, đặc biệt là trong các tập dữ liệu có nhiều loại đối tượng khác nhau. Đối với mỗi lớp trong tập dữ liệu, thông tin sau được cung cấp:

Lớp : Biểu thị tên của lớp đối tượng, chẳng hạn như "người", "ô tô" hoặc "chó".
Hình ảnh : Chỉ số này cho bạn biết số lượng hình ảnh trong bộ xác thực có chứa lớp đối tượng.
Số lượng : Cung cấp số lần lớp xuất hiện trên tất cả các hình ảnh trong bộ xác thực.
Box(P, R, mAP50, mAP50-95) : Số liệu này cung cấp thông tin chi tiết về hiệu suất của mô hình trong việc phát hiện đối tượng:
- P (Độ chính xác) : Độ chính xác của các đối tượng được phát hiện, cho biết có bao nhiêu lần phát hiện là chính xác.
- R (Recall) : Khả năng của mô hình trong việc xác định tất cả các trường hợp của đối tượng trong hình ảnh.
- mAP50 : Độ chính xác trung bình được tính toán tại ngưỡng giao nhau trên hợp (IoU) là 0,50. Đây là thước đo độ chính xác của mô hình chỉ xét đến các phát hiện "dễ".
- mAP50-95 : Giá trị trung bình của độ chính xác trung bình được tính toán ở các ngưỡng IoU khác nhau, trong khoảng từ 0,50 đến 0,95. Nó cung cấp cái nhìn toàn diện về hiệu suất của mô hình ở các mức độ khó phát hiện khác nhau.

Số liệu tốc độ

Tốc độ suy luận có thể quan trọng như độ chính xác, đặc biệt là trong các tình huống phát hiện đối tượng theo thời gian thực. Phần này phân tích thời gian dành cho các giai đoạn khác nhau của quy trình xác thực, từ tiền xử lý đến hậu xử lý.

Đánh giá số liệu COCO

Đối với người dùng xác thực trên tập dữ liệu COCO, các số liệu bổ sung được tính toán bằng cách sử dụng tập lệnh đánh giá COCO. Các số liệu này cung cấp thông tin chi tiết về độ chính xác và khả năng thu hồi ở các ngưỡng IoU khác nhau và đối với các đối tượng có kích thước khác nhau.

Đầu ra trực quan

Hàm model.val(), ngoài việc tạo ra các số liệu số, còn tạo ra các đầu ra trực quan có thể cung cấp sự hiểu biết trực quan hơn về hiệu suất của mô hình. Sau đây là phân tích về các đầu ra trực quan mà bạn có thể mong đợi:

Đường cong điểm F1 (F1_curve.png): Đường cong này biểu diễn Điểm F1 trên nhiều ngưỡng khác nhau. Việc diễn giải đường cong này có thể cung cấp thông tin chi tiết về sự cân bằng của mô hình giữa các kết quả dương tính giả và kết quả âm tính giả trên các ngưỡng khác nhau.
Đường cong độ chính xác-thu hồi (PR_curve.png): Một hình ảnh trực quan tích hợp cho bất kỳ vấn đề phân loại nào, đường cong này thể hiện sự đánh đổi giữa độ chính xác và nhớ lại ở các ngưỡng khác nhau. Điều này trở nên đặc biệt quan trọng khi xử lý các lớp mất cân bằng.
Đường cong chính xác (P_curve.png): Biểu diễn đồ họa các giá trị độ chính xác ở các ngưỡng khác nhau. Đường cong này giúp hiểu được độ chính xác thay đổi như thế nào khi ngưỡng thay đổi.
Đường cong thu hồi (R_curve.png):Tương ứng, biểu đồ này minh họa cách các giá trị thu hồi thay đổi theo các ngưỡng khác nhau.
Ma trận nhầm lẫn (confusion_matrix.png):Ma trận nhầm lẫn cung cấp cái nhìn chi tiết về kết quả, hiển thị số lượng kết quả dương tính thật, kết quả âm tính thật, kết quả dương tính giả và kết quả âm tính giả cho mỗi lớp.
Ma trận nhầm lẫn chuẩn hóa (confusion_matrix_normalized.png): Hình ảnh trực quan này là phiên bản chuẩn hóa của ma trận nhầm lẫn. Nó biểu diễn dữ liệu theo tỷ lệ thay vì số lượng thô. Định dạng này giúp so sánh hiệu suất giữa các lớp dễ dàng hơn.
Nhãn lô xác thực (val_batchX_labels.jpg): Những hình ảnh này mô tả nhãn sự thật cơ bản cho các lô riêng biệt từ tập dữ liệu xác thực. Chúng cung cấp hình ảnh rõ ràng về các đối tượng và vị trí tương ứng của chúng theo tập dữ liệu.
Dự đoán lô xác thực (val_batchX_pred.jpg): Ngược lại với hình ảnh nhãn, các hình ảnh trực quan này hiển thị các dự đoán được đưa ra bởi YOLO11 mô hình cho các lô tương ứng. Bằng cách so sánh những hình ảnh này với hình ảnh nhãn, bạn có thể dễ dàng đánh giá mức độ phát hiện và phân loại đối tượng của mô hình một cách trực quan.

Lưu trữ kết quả

Để tham khảo trong tương lai, kết quả sẽ được lưu vào một thư mục, thường có tên là runs/detect/val.

Chọn số liệu phù hợp

Việc lựa chọn số liệu phù hợp để đánh giá thường phụ thuộc vào ứng dụng cụ thể.

mAP: Thích hợp để đánh giá rộng về hiệu suất của mô hình.
IoU: Cần thiết khi vị trí chính xác của vật thể là rất quan trọng.
Độ chính xác: Điều quan trọng là ưu tiên hàng đầu khi giảm thiểu phát hiện sai.
Nhắc lại: Quan trọng khi cần phát hiện mọi trường hợp của một đối tượng.
Điểm F1: Hữu ích khi cần cân bằng giữa độ chính xác và khả năng thu hồi.

Đối với các ứng dụng thời gian thực, các số liệu về tốc độ như FPS (Khung hình mỗi giây) và độ trễ rất quan trọng để đảm bảo kết quả kịp thời.

Giải thích kết quả

Điều quan trọng là phải hiểu các số liệu. Sau đây là một số điểm số thấp thường thấy có thể gợi ý:

mAP thấp: Chỉ ra rằng mô hình có thể cần được cải tiến chung.
IoU thấp: Mô hình có thể gặp khó khăn trong việc xác định chính xác các đối tượng. Các phương pháp hộp giới hạn khác nhau có thể giúp ích.
Độ chính xác thấp: Mô hình có thể phát hiện quá nhiều đối tượng không tồn tại. Điều chỉnh ngưỡng tin cậy có thể làm giảm điều này.
Thu hồi thấp: Mô hình có thể thiếu các đối tượng thực. Cải thiện việc trích xuất tính năng hoặc sử dụng nhiều dữ liệu hơn có thể hữu ích.
Điểm F1 không cân bằng: Có sự chênh lệch giữa độ chính xác và độ thu hồi.
AP theo lớp cụ thể: Điểm thấp ở đây có thể làm nổi bật những lớp mà mô hình gặp khó khăn.

Nghiên cứu trường hợp

Các ví dụ thực tế có thể giúp làm rõ cách thức các số liệu này hoạt động trong thực tế.

Trường hợp 1

Tình huống: mAP và Điểm F1 không tối ưu, nhưng trong khi Recall thì tốt, Precision thì không.
Diễn giải & Hành động: Có thể có quá nhiều phát hiện không chính xác. Việc thắt chặt ngưỡng tin cậy có thể làm giảm những phát hiện này, mặc dù nó cũng có thể làm giảm nhẹ khả năng thu hồi.

Trường hợp 2

Tình huống: mAP và Recall thì chấp nhận được, nhưng IoU thì thiếu.
Diễn giải & Hành động: Mô hình phát hiện đối tượng tốt nhưng có thể không định vị chính xác. Việc tinh chỉnh các dự đoán hộp giới hạn có thể hữu ích.

Trường hợp 3

Tình huống: Một số lớp có AP thấp hơn nhiều so với các lớp khác, ngay cả khi có mAP tổng thể khá.
Diễn giải & Hành động: Các lớp này có thể khó khăn hơn đối với mô hình. Sử dụng nhiều dữ liệu hơn cho các lớp này hoặc điều chỉnh trọng số lớp trong quá trình đào tạo có thể có lợi.

Kết nối và cộng tác

Việc tiếp cận một cộng đồng những người đam mê và chuyên gia có thể khuếch đại hành trình của bạn với YOLO11 . Sau đây là một số cách có thể hỗ trợ việc học tập, khắc phục sự cố và kết nối mạng.

Tham gia với cộng đồng rộng lớn hơn

Các vấn đề của GitHub: YOLO11 kho lưu trữ trên GitHub có tab Sự cố nơi bạn có thể đặt câu hỏi, báo cáo lỗi và đề xuất các tính năng mới. Cộng đồng và người bảo trì đang hoạt động ở đây và đây là nơi tuyệt vời để nhận trợ giúp về các vấn đề cụ thể.
Máy chủ Discord Ultralytics : Ultralytics có máy chủ Discord nơi bạn có thể tương tác với người dùng khác và nhà phát triển.

Tài liệu và nguồn tài nguyên chính thức:

Tài liệu YOLO11 Ultralytics : Tài liệu chính thức cung cấp tổng quan toàn diện về YOLO11 , cùng với hướng dẫn cài đặt, sử dụng và khắc phục sự cố.

Việc sử dụng các nguồn tài nguyên này không chỉ hướng dẫn bạn vượt qua mọi thách thức mà còn giúp bạn cập nhật các xu hướng mới nhất và các phương pháp hay nhất trong YOLO11 cộng đồng.

Phần kết luận

Trong hướng dẫn này, chúng tôi đã xem xét kỹ lưỡng các số liệu hiệu suất cần thiết cho YOLO11 . Các số liệu này là chìa khóa để hiểu mô hình hoạt động tốt như thế nào và rất quan trọng đối với bất kỳ ai muốn tinh chỉnh mô hình của mình. Chúng cung cấp thông tin chi tiết cần thiết để cải thiện và đảm bảo mô hình hoạt động hiệu quả trong các tình huống thực tế.

Hãy nhớ rằng, YOLO11 Và Ultralytics cộng đồng là một tài sản vô giá. Việc tham gia với các nhà phát triển và chuyên gia đồng nghiệp có thể mở ra cánh cửa đến với những hiểu biết sâu sắc và giải pháp không có trong tài liệu chuẩn. Khi bạn thực hiện phát hiện đối tượng, hãy duy trì tinh thần học hỏi, thử nghiệm các chiến lược mới và chia sẻ những phát hiện của bạn. Bằng cách đó, bạn đóng góp vào trí tuệ tập thể của cộng đồng và đảm bảo sự phát triển của cộng đồng.

Chúc bạn phát hiện vật thể vui vẻ!

CÂU HỎI THƯỜNG GẶP

Ý nghĩa của Độ chính xác trung bình trung bình (mAP) trong việc đánh giá là gì? YOLO11 hiệu suất mô hình?

Độ chính xác trung bình (mAP) rất quan trọng để đánh giá YOLO11 mô hình vì nó cung cấp một số liệu duy nhất bao gồm độ chính xác và khả năng thu hồi trên nhiều lớp. mAP@0.50 đo độ chính xác ở ngưỡng IoU là 0.50, tập trung vào khả năng phát hiện đối tượng chính xác của mô hình. mAP@0.50:0.95 tính độ chính xác trung bình trên một phạm vi ngưỡng IoU, cung cấp đánh giá toàn diện về hiệu suất phát hiện. Điểm mAP cao cho thấy mô hình cân bằng hiệu quả độ chính xác và khả năng thu hồi, điều cần thiết cho các ứng dụng như lái xe tự động và giám sát.

Làm thế nào để tôi giải thích giá trị Giao điểm trên Liên hợp (IoU) cho YOLO11 phát hiện vật thể?

Giao điểm trên hợp nhất (IoU) đo lường sự chồng chéo giữa các hộp giới hạn dự đoán và thực tế. Giá trị IoU nằm trong khoảng từ 0 đến 1, trong đó các giá trị cao hơn biểu thị độ chính xác định vị tốt hơn. IoU bằng 1,0 có nghĩa là căn chỉnh hoàn hảo. Thông thường, ngưỡng IoU bằng 0,50 được sử dụng để xác định các giá trị dương thực trong các số liệu như mAP. Giá trị IoU thấp hơn cho thấy mô hình gặp khó khăn trong việc định vị đối tượng chính xác, có thể cải thiện bằng cách tinh chỉnh hồi quy hộp giới hạn hoặc tăng độ chính xác chú thích.

Tại sao Điểm F1 lại quan trọng để đánh giá YOLO11 mô hình phát hiện đối tượng?

Điểm F1 rất quan trọng để đánh giá YOLO11 mô hình vì nó cung cấp một giá trị trung bình hài hòa của độ chính xác và khả năng thu hồi, cân bằng cả dương tính giả và âm tính giả. Nó đặc biệt có giá trị khi xử lý các tập dữ liệu hoặc ứng dụng mất cân bằng, trong đó độ chính xác hoặc khả năng thu hồi là không đủ. Điểm F1 cao cho biết mô hình phát hiện đối tượng hiệu quả trong khi giảm thiểu cả phát hiện bị bỏ sót và báo động giả, khiến nó phù hợp với các ứng dụng quan trọng như hệ thống an ninh và hình ảnh y tế.

Những lợi thế chính của việc sử dụng là gì? Ultralytics YOLO11 để phát hiện vật thể theo thời gian thực?

Ultralytics YOLO11 cung cấp nhiều lợi thế cho việc phát hiện đối tượng theo thời gian thực:

Tốc độ và hiệu quả : Được tối ưu hóa để suy luận tốc độ cao, phù hợp với các ứng dụng yêu cầu độ trễ thấp.
Độ chính xác cao : Thuật toán tiên tiến đảm bảo điểm mAP và IoU cao, cân bằng giữa độ chính xác và khả năng thu hồi.
Tính linh hoạt : Hỗ trợ nhiều tác vụ khác nhau bao gồm phát hiện, phân đoạn và phân loại đối tượng.
Dễ sử dụng : Giao diện thân thiện với người dùng, tài liệu hướng dẫn chi tiết và tích hợp liền mạch với các nền tảng như Ultralytics HUB ( Khởi động nhanh HUB ).

Điều này làm cho YOLO11 lý tưởng cho nhiều ứng dụng khác nhau, từ xe tự hành đến giải pháp thành phố thông minh.

Làm thế nào có thể xác thực số liệu từ YOLO11 giúp cải thiện hiệu suất mô hình?

Số liệu xác thực từ YOLO11 giống như độ chính xác, khả năng thu hồi, mAP và IoU giúp chẩn đoán và cải thiện hiệu suất mô hình bằng cách cung cấp thông tin chi tiết về các khía cạnh khác nhau của phát hiện:

Độ chính xác : Giúp xác định và giảm thiểu các kết quả dương tính giả.
Thu hồi : Đảm bảo phát hiện tất cả các đối tượng có liên quan.
mAP : Cung cấp ảnh chụp nhanh hiệu suất tổng thể, hướng dẫn cải tiến chung.
IoU : Giúp tinh chỉnh độ chính xác định vị đối tượng.

Bằng cách phân tích các số liệu này, có thể nhắm mục tiêu vào các điểm yếu cụ thể, chẳng hạn như điều chỉnh ngưỡng tin cậy để cải thiện độ chính xác hoặc thu thập dữ liệu đa dạng hơn để tăng cường khả năng nhớ lại. Để biết giải thích chi tiết về các số liệu này và cách diễn giải chúng, hãy kiểm tra Số liệu phát hiện đối tượng .

📅 Được tạo ra cách đây 1 năm ✏️ Đã cập nhật cách đây 2 tháng