使用 Ultralytics 进行 K 折交叉验证

简介

本综合指南展示了如何在 Ultralytics 生态系统中为目标检测数据集实现 K 折交叉验证。我们将利用 YOLO 检测格式以及诸如 sklearn、pandas 和 PyYAML 等关键 Python 库，引导你完成必要的设置、生成特征向量的过程以及执行 K 折数据集拆分。

K-fold cross validation data splitting

无论你的项目涉及水果检测（Fruit Detection）数据集还是自定义数据源，本教程旨在帮助你理解并应用 K 折交叉验证，以提高你的机器学习模型的可靠性和稳健性。虽然我们在本教程中使用了 k=5 折，但请记住，最佳折数取决于你的数据集和项目的具体情况。

让我们开始吧。

设置

你的标注应采用 YOLO 检测格式。
本指南假定标注文件可在本地访问。
在我们的演示中，使用了水果检测数据集。
- 该数据集总共包含 8479 张图像。
- 它包含 6 个类别标签，每个标签的实例总数如下所示。

类别标签	实例计数
Apple	7049
Grapes	7202
Pineapple	1613
Orange	15549
Banana	3536
Watermelon	1976

必要的 Python 软件包包括：
- ultralytics
- sklearn
- pandas
- pyyaml
本教程以 k=5 折进行操作。不过，你应该根据你的具体数据集确定最佳的折数。

为你的项目启动一个新的 Python 虚拟环境 (venv) 并激活它。使用 pip（或你首选的软件包管理器）安装：
- Ultralytics 库：pip install -U ultralytics。或者，你也可以克隆官方仓库。
- Scikit-learn、pandas 和 PyYAML：pip install -U scikit-learn pandas pyyaml。
验证你的标注是否为 YOLO 检测格式。
- 在本教程中，所有标注文件均位于 Fruit-Detection/labels 目录中。

为目标检测数据集生成特征向量

首先创建一个新的 example.py Python 文件以执行以下步骤。

接着获取数据集的所有标签文件。

from pathlib import Path

dataset_path = Path("./Fruit-detection")  # replace with 'path/to/dataset' for your custom data
labels = sorted(dataset_path.rglob("*labels/*.txt"))  # all data in 'labels'

现在，读取数据集 YAML 文件的内容并提取类别标签的索引。

import yaml

yaml_file = "path/to/data.yaml"  # your data YAML with data directories and names dictionary
with open(yaml_file, encoding="utf8") as y:
    classes = yaml.safe_load(y)["names"]
cls_idx = sorted(classes.keys())

初始化一个空的 pandas DataFrame。

import pandas as pd

index = [label.stem for label in labels]  # uses base filename as ID (no extension)
labels_df = pd.DataFrame([], columns=cls_idx, index=index)

统计标注文件中存在的每个类别标签的实例数。

from collections import Counter

for label in labels:
    lbl_counter = Counter()

    with open(label) as lf:
        lines = lf.readlines()

    for line in lines:
        # classes for YOLO label uses integer at first position of each line
        lbl_counter[int(line.split(" ", 1)[0])] += 1

    labels_df.loc[label.stem] = lbl_counter

labels_df = labels_df.fillna(0.0)  # replace `nan` values with `0.0`

以下是填充后的 DataFrame 的示例视图：

                                                       0    1    2    3    4    5
'0000a16e4b057580_jpg.rf.00ab48988370f64f5ca8ea4...'  0.0  0.0  0.0  0.0  0.0  7.0
'0000a16e4b057580_jpg.rf.7e6dce029fb67f01eb19aa7...'  0.0  0.0  0.0  0.0  0.0  7.0
'0000a16e4b057580_jpg.rf.bc4d31cdcbe229dd022957a...'  0.0  0.0  0.0  0.0  0.0  7.0
'00020ebf74c4881c_jpg.rf.508192a0a97aa6c4a3b6882...'  0.0  0.0  0.0  1.0  0.0  0.0
'00020ebf74c4881c_jpg.rf.5af192a2254c8ecc4188a25...'  0.0  0.0  0.0  1.0  0.0  0.0
 ...                                                  ...  ...  ...  ...  ...  ...
'ff4cd45896de38be_jpg.rf.c4b5e967ca10c7ced3b9e97...'  0.0  0.0  0.0  0.0  0.0  2.0
'ff4cd45896de38be_jpg.rf.ea4c1d37d2884b3e3cbce08...'  0.0  0.0  0.0  0.0  0.0  2.0
'ff5fd9c3c624b7dc_jpg.rf.bb519feaa36fc4bf630a033...'  1.0  0.0  0.0  0.0  0.0  0.0
'ff5fd9c3c624b7dc_jpg.rf.f0751c9c3aa4519ea3c9d6a...'  1.0  0.0  0.0  0.0  0.0  0.0
'fffe28b31f2a70d4_jpg.rf.7ea16bd637ba0711c53b540...'  0.0  6.0  0.0  0.0  0.0  0.0

这些行对应标签文件，每一个都对应数据集中的一张图像，列则对应你的类别标签索引。每一行都代表一个伪特征向量，包含数据集中存在的每个类别标签的计数。这种数据结构使得将 K 折交叉验证应用于目标检测数据集成为可能。

K 折数据集拆分

Now we will use the KFold class from sklearn.model_selection to generate k splits of the dataset.
- 重要提示：
  - 设置 shuffle=True 可确保拆分中类别的随机分布。
  - 通过设置 random_state=M（其中 M 为你选择的整数），你可以获得可重复的结果。
```
import random

from sklearn.model_selection import KFold

random.seed(0)  # for reproducibility
ksplit = 5
kf = KFold(n_splits=ksplit, shuffle=True, random_state=20)  # setting random_state for repeatable results

kfolds = list(kf.split(labels_df))
```

数据集现已拆分为 k 折，每一折都有一个 train 和 val 索引列表。我们将构建一个 DataFrame 来更清晰地显示这些结果。

folds = [f"split_{n}" for n in range(1, ksplit + 1)]
folds_df = pd.DataFrame(index=index, columns=folds)

for i, (train, val) in enumerate(kfolds, start=1):
    folds_df[f"split_{i}"].loc[labels_df.iloc[train].index] = "train"
    folds_df[f"split_{i}"].loc[labels_df.iloc[val].index] = "val"

现在，我们将计算每一折的类别标签分布，即 val 中存在的类别与 train 中存在的类别之比。

fold_lbl_distrb = pd.DataFrame(index=folds, columns=cls_idx)

for n, (train_indices, val_indices) in enumerate(kfolds, start=1):
    train_totals = labels_df.iloc[train_indices].sum()
    val_totals = labels_df.iloc[val_indices].sum()

    # To avoid division by zero, we add a small value (1E-7) to the denominator
    ratio = val_totals / (train_totals + 1e-7)
    fold_lbl_distrb.loc[f"split_{n}"] = ratio

理想情况下，每个拆分中所有类别的比例应相当接近，且跨类别也应保持一致。然而，这取决于你的数据集的具体情况。

接下来，我们为每个拆分创建目录和数据集 YAML 文件。

import datetime

supported_extensions = [".jpg", ".jpeg", ".png"]

# Initialize an empty list to store image file paths
images = []

# Loop through supported extensions and gather image files
for ext in supported_extensions:
    images.extend(sorted((dataset_path / "images").rglob(f"*{ext}")))

# Create the necessary directories and dataset YAML files
save_path = Path(dataset_path / f"{datetime.date.today().isoformat()}_{ksplit}-Fold_Cross-val")
save_path.mkdir(parents=True, exist_ok=True)
ds_yamls = []

for split in folds_df.columns:
    # Create directories
    split_dir = save_path / split
    split_dir.mkdir(parents=True, exist_ok=True)
    (split_dir / "train" / "images").mkdir(parents=True, exist_ok=True)
    (split_dir / "train" / "labels").mkdir(parents=True, exist_ok=True)
    (split_dir / "val" / "images").mkdir(parents=True, exist_ok=True)
    (split_dir / "val" / "labels").mkdir(parents=True, exist_ok=True)

    # Create dataset YAML files
    dataset_yaml = split_dir / f"{split}_dataset.yaml"
    ds_yamls.append(dataset_yaml)

    with open(dataset_yaml, "w") as ds_y:
        yaml.safe_dump(
            {
                "path": split_dir.as_posix(),
                "train": "train",
                "val": "val",
                "names": classes,
            },
            ds_y,
        )

最后，将图像和标签复制到每个拆分的相应目录（'train' 或 'val'）中。

注意： 这部分代码所需的时间取决于你的数据集大小和系统硬件。

import shutil

from tqdm import tqdm

for image, label in tqdm(zip(images, labels), total=len(images), desc="Copying files"):
    for split, k_split in folds_df.loc[image.stem].items():
        # Destination directory
        img_to_path = save_path / split / k_split / "images"
        lbl_to_path = save_path / split / k_split / "labels"

        # Copy image and label files to new directory (SamefileError if file already exists)
        shutil.copy(image, img_to_path / image.name)
        shutil.copy(label, lbl_to_path / label.name)

保存记录（可选）

作为选项，你可以将 K 折拆分和标签分布 DataFrame 的记录保存为 CSV 文件，以供将来参考。

folds_df.to_csv(save_path / "kfold_datasplit.csv")
fold_lbl_distrb.to_csv(save_path / "kfold_label_distribution.csv")

使用 K 折数据集拆分训练 YOLO

首先，加载 YOLO 模型。

from ultralytics import YOLO

weights_path = "path/to/weights.pt"  # use yolo26n.pt for a small model
model = YOLO(weights_path, task="detect")

接下来，迭代数据集 YAML 文件以运行训练。结果将保存到由 project 和 name 参数指定的目录中。默认情况下，此目录为 'runs/detect/train#'，其中 # 为整数索引。

results = {}

# Define your additional arguments here
batch = 16
project = "kfold_demo"
epochs = 100

for k, dataset_yaml in enumerate(ds_yamls):
    model = YOLO(weights_path, task="detect")
    results[k] = model.train(
        data=dataset_yaml, epochs=epochs, batch=batch, project=project, name=f"fold_{k + 1}"
    )  # include any additional train arguments

你也可以使用 Ultralytics data.utils.autosplit 函数进行自动数据集拆分：

from ultralytics.data.split import autosplit

# Automatically split dataset into train/val/test
autosplit(path="path/to/images", weights=(0.8, 0.2, 0.0), annotated_only=True)

结论

在本指南中，我们探讨了使用 K 折交叉验证来训练 YOLO 目标检测模型的过程。我们学习了如何将数据集拆分为 K 个分区，从而确保不同折之间的类别分布平衡。

我们还探讨了创建报告 DataFrame 以可视化数据拆分和跨拆分的标签分布的过程，这让我们能清晰地洞察训练集和验证集的结构。

作为选项，我们保存了记录以便日后参考，这在大规模项目中或排查模型性能问题时特别有用。

最后，我们通过循环使用每个拆分实现了实际的模型训练，并保存了训练结果以供进一步分析和比较。

这种 K 折交叉验证技术是充分利用现有数据的有效方法，有助于确保模型性能在不同数据子集上保持可靠和一致。这会生成一个更具通用性且更可靠的模型，降低模型过拟合特定数据模式的可能性。

请记住，虽然我们在本指南中使用了 YOLO，但这些步骤大多适用于其他机器学习模型。理解这些步骤能让你在自己的机器学习项目中有效地应用交叉验证。

常见问题 (FAQ)

什么是 K 折交叉验证，为什么它在目标检测中很有用？

K 折交叉验证是一种将数据集划分为 'k' 个子集（折）以更可靠地评估模型性能的技术。每一折既充当训练数据，也充当验证数据。在目标检测中，使用 K 折交叉验证有助于确保你的 Ultralytics YOLO 模型在不同数据拆分上的性能稳健且具有通用性，从而增强其可靠性。有关使用 Ultralytics YOLO 设置 K 折交叉验证的详细说明，请参考使用 Ultralytics 进行 K 折交叉验证。

如何使用 Ultralytics YOLO 实现 K 折交叉验证？

要使用 Ultralytics YOLO 实现 K 折交叉验证，你需要遵循以下步骤：

验证标注是否采用 YOLO 检测格式。
使用像 sklearn、pandas 和 pyyaml 这样的 Python 库。
从你的数据集创建特征向量。
Split your dataset using KFold from sklearn.model_selection.
在每个拆分上训练 YOLO 模型。

有关综合指南，请参阅我们文档中的 K 折数据集拆分部分。

为什么我应该使用 Ultralytics YOLO 进行目标检测？

Ultralytics YOLO 提供具有高准确率和效率的尖端实时目标检测。它功能多样，支持多种计算机视觉任务，例如检测、实例分割、语义分割和分类。此外，它还能与诸如 Ultralytics Platform 等工具无缝集成，进行无代码模型训练和部署。欲了解更多详情，请探索我们 Ultralytics YOLO 页面上的优势和功能。

如何确保我的标注符合 Ultralytics YOLO 的正确格式？

你的标注应遵循 YOLO 检测格式。每个标注文件必须列出对象类别及其在图像中的边界框坐标。YOLO 格式可确保为训练目标检测模型提供简化且标准化的数据处理。有关正确标注格式的更多信息，请访问 YOLO 检测格式指南。

我可以使用 K 折交叉验证处理水果检测以外的自定义数据集吗？

可以，只要标注采用 YOLO 检测格式，你就可以将 K 折交叉验证用于任何自定义数据集。将数据集路径和类别标签替换为你自定义数据集特定的内容。这种灵活性确保任何目标检测项目都能从使用 K 折交叉验证进行的稳健模型评估中受益。有关实际示例，请查阅我们的生成特征向量部分。

Contributors

GLglenn-jocher²⁰ RIRizwanMunawar² PDpderrenger¹ AMambitious-octopus¹ Y-Y-T-G¹WIWillie Maddox¹BUBurhan-Q¹ M-M-Amrollahi¹ IVIvorZhu331¹

Created 2023年11月12日Updated 前天