使用 Ultralytics 进行 K 折交叉验证

介绍

本综合指南阐述了如何在 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、特征向量生成过程以及 K 折数据集拆分的执行。

K-fold cross validation data splitting

无论你的项目涉及水果检测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，以增强你的机器学习模型的可靠性和鲁棒性。虽然我们在本教程中使用了 k=5 折，但请记住，最佳折数可能会根据你的数据集和项目的具体情况而有所不同。

让我们开始吧。

设置

你的标注应采用 YOLO 检测格式。
本指南假设标注文件已在本地可用。
在演示中，我们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	实例数量
苹果	7049
葡萄	7202
菠萝	1613
橙子	15549
香蕉	3536
西瓜	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。

为你的项目创建一个新的 Python 虚拟环境 (venv) 并激活它。使用 pip（或你首选的软件包管理器）进行安装：
- Ultralytics 库：pip install -U ultralytics。或者，你可以克隆官方 repo。
- Scikit-learn、pandas 和 PyYAML：pip install -U scikit-learn pandas pyyaml。
验证你的标注是否采用 YOLO 检测格式。
- 在本教程中，所有标注文件都位于 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，用于执行以下步骤。

继续检索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)

计算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

各行索引了标签文件，每个文件对应数据集中的一张图像，而各列对应你的类别标签索引。每一行都代表一个伪特征向量，其中包含了数据集中存在的每个类别标签的计数。这种数据结构使得能够将 K 折交叉验证应用于目标检测数据集。

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 为选定的整数），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))

数据集现在已被拆分为 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，我们将把每一折的类别标签分布计算为 val 中存在的类别与 train 中存在的类别的比率。

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

理想的情况是所有类别的比率在每次拆分中以及在各个类别之间都相当均衡。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： 代码的这一部分所需的时间将根据你的数据集大小和系统硬件而有所不同。

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）

（可选）你可以将 K 折拆分记录和标签分布 DataFrame 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，遍历数据集 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，该目录为 'runs/detect/train#'，其中 # 是一个整数索引。

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)

总结

在本指南中，我们探索了使用 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，以确保各折之间的类别分布平衡。

我们还探索了创建报告 DataFrame 的程序，以可视化这些拆分中的数据拆分和标签分布，从而使我们能够清晰地洞察训练集和验证集的结构。

（可选）我们保存了记录以供将来参考，这在大型项目中或在排查模型性能故障时特别有用。

最后，我们在循环中对每个拆分执行了实际的模型训练，并保存了训练结果以供进一步分析和比较。

这种 K 折交叉验证技术是一种充分利用可用数据的稳健方法，它有助于确保你的模型性能在不同的数据子集之间可靠且一致。这会产生一个更具通用性和可靠性的模型，不太可能过拟合到特定的数据模式。

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。理解这些步骤使你能够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。每一折既作为训练数据又作为验证数据。在目标检测的背景下，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，从而提高了其可靠性。有关使用 Ultralytics YOLO 设置 K 折交叉验证的详细说明，请参阅使用 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。
从你的数据集中创建特征向量。
Split your dataset using KFold from sklearn.model_selection.
在每个拆分上训练 YOLO 模型。

如需综合指南，请参阅我们文档中的 K 折数据集拆分部分。

为什么要使用 Ultralytics YOLO 进行目标检测？

Ultralytics YOLO 提供具有高准确性和效率的最先进的实时目标检测。它功能多样，支持多种计算机视觉任务，如检测、分割和分类。此外，它还与 Ultralytics Platform 等工具无缝集成，用于无代码模型训练和部署。有关更多详细信息，请浏览我们 Ultralytics YOLO 页面上的优势和功能。

我如何确保我的标注格式正确以适用于 Ultralytics YOLO？

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以及图像中的边界框坐标。YOLO 格式确保了训练目标检测模型时数据处理的精简和标准化。有关正确标注格式的更多信息，请访问 YOLO 检测格式指南。

除了水果检测之外，我可以使用 K 折交叉验证处理自定义数据集吗？

是的，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有的那些路径和标签。这种灵活性确保任何目标检测项目都可以从使用 K 折交叉验证的稳健模型评估中受益。有关实际示例，请查看我们的生成特征向量部分。

Contributors

GLglenn-jocher¹⁹ RIRizwanMunawar² PDpderrenger¹ AMambitious-octopus¹ Y-Y-T-G¹WIWillie Maddox¹BUBurhan-Q¹ M-M-Amrollahi¹ IVIvorZhu331¹

Created 2023年11月12日Updated 6天前