Meet YOLO26: next-gen vision AI.

Link to this section性能指标深度解析#

Link to this section简介#

Performance metrics are key tools to evaluate the accuracy and efficiency of object detection models. They shed light on how effectively a model can identify and localize objects within images. Additionally, they help in understanding the model's handling of false positives and false negatives. These insights are crucial for evaluating and enhancing the model's performance. In this guide, we will explore various performance metrics associated with YOLO26, their significance, and how to interpret them.



Watch: Ultralytics YOLO26 Performance Metrics | MAP, F1 Score, Precision, IoU & Accuracy

Link to this section目标检测指标#

让我们先讨论一些不仅对 YOLO26 重要，而且广泛适用于不同目标检测模型的指标。

  • 交并比 (IoU)： IoU 是一种衡量预测的 边界框 与真实边界框之间重叠程度的指标。它在评估对象定位的准确性方面起着基础性作用。

  • 平均精度 (AP)： AP 计算的是精确率-召回率曲线下的面积，提供了一个单一值，概括了模型的精确率和召回率性能。

  • 平均精度均值 (mAP)： mAP 通过计算多个对象类别的平均 AP 值来扩展 AP 的概念。这在多类目标检测场景中非常有用，能够对模型性能进行全面评估。

  • 精确率 (Precision) 和召回率 (Recall)： 精确率量化了所有正预测中真正正例的比例，用于评估模型避免误报的能力。另一方面，召回率计算了所有实际正例中真正正例的比例，用于衡量模型检测出某类所有实例的能力。

  • F1 分数 (F1 Score)： F1 分数是精确率和召回率的调和平均数，在考虑误报和漏报的同时，为模型性能提供了一种平衡的评估。

Link to this section如何为 YOLO26 模型计算指标#

现在，我们可以探索 YOLO26 的验证模式，它可用于计算上述评估指标。

使用验证模式很简单。一旦你有了一个训练好的模型，就可以调用 model.val() 函数。该函数将处理验证数据集并返回各种性能指标。但这些指标意味着什么？你应该如何解读它们？

Link to this section解读输出#

让我们分解 model.val() 函数的输出，并理解输出的每一部分。

Link to this section类级别指标#

输出的其中一部分是性能指标的类级别分解。当你在尝试了解模型在每个特定类别的表现时，这些细粒度的信息非常有用，尤其是在对象类别多样的数据集中。对于数据集中的每个类别，会提供以下内容：

  • Class (类别)：这表示对象类别的名称，例如 "person"、"car" 或 "dog"。

  • Images (图像)：该指标告诉你验证集中包含该对象类别的图像数量。

  • Instances (实例)：这提供了该类别在验证集的所有图像中出现的总次数。

  • Box(P, R, mAP50, mAP50-95)：该指标提供了关于模型检测对象性能的见解：

    • P (Precision, 精确率)：检测对象的准确性，表明有多少次检测是正确的。

    • R (Recall, 召回率)：模型识别图像中所有对象实例的能力。

    • mAP50：在交并比 (IoU) 阈值为 0.50 时计算的平均精度均值。它是仅考虑 "简单" 检测时模型准确性的一种度量。

    • mAP50-95：在 0.50 到 0.95 之间变化的 IoU 阈值下计算出的平均精度均值的平均值。它提供了模型在不同检测难度级别下的全面表现视图。

Link to this section速度指标#

推理速度可能与准确性一样重要，尤其是在实时目标检测场景中。本节分解了验证过程中从预处理到后处理各个阶段所花费的时间。

Link to this sectionCOCO 指标评估#

对于在 COCO 数据集上进行验证的用户，会使用 COCO 评估脚本计算额外的指标。这些指标提供了关于不同 IoU 阈值下以及不同大小对象在精确率和召回率方面的见解。

Link to this section可视化输出#

model.val() 函数除了产生数值指标外，还会生成可视化输出，这能提供对模型性能更直观的理解。以下是你所能期待的可视化输出分解：

  • F1 分数曲线 (F1_curve.png)：该曲线表示不同阈值下的 F1 分数。解读该曲线可以深入了解模型在不同阈值下误报和漏报之间的平衡。

  • 精确率-召回率曲线 (PR_curve.png)：作为任何分类问题的核心可视化，该曲线展示了不同阈值下精确率与 召回率 之间的权衡。在处理不平衡类别时，这一点尤为重要。

  • 精确率曲线 (P_curve.png)：不同阈值下精确率值的图形表示。该曲线有助于理解精确率如何随阈值的变化而变化。

  • 召回率曲线 (R_curve.png)：相应地，该图表展示了召回率值如何在不同阈值下变化。

  • 混淆矩阵 (confusion_matrix.png)：混淆矩阵提供了结果的详细视图，展示了每个类别的真正正例、真负例、误报和漏报的计数。

  • 归一化混淆矩阵 (confusion_matrix_normalized.png)：此可视化是混淆矩阵的归一化版本。它以比例而非原始计数来表示数据。这种格式使得比较各类别之间的性能变得更加简单。

  • 验证批次标签 (val_batchX_labels.jpg)：这些图像描绘了验证集中不同批次的真实标签。它们清晰地展示了对象是什么以及根据数据集它们各自的位置。

  • 验证批次预测 (val_batchX_pred.jpg)：与标签图像形成对比，这些视觉效果展示了 YOLO26 模型对相应批次所做的预测。通过将这些图像与标签图像进行比较，你可以轻松评估模型在视觉上检测和分类对象的效果。

Link to this section结果存储#

为了日后参考，结果会保存到通常名为 runs/detect/val 的目录中。

Link to this section选择合适的指标#

选择合适的评估指标通常取决于具体的应用场景。

  • mAP： 适用于对模型性能进行广泛评估。

  • IoU： 当精确的对象位置至关重要时，它是必不可少的。

  • 精确率： 当最小化错误检测是首要任务时非常重要。

  • 召回率： 当检测出对象的每一个实例都很重要时非常关键。

  • F1 分数： 当需要精确率和召回率之间的平衡时非常有用。

对于实时应用，FPS（每秒帧数）和延迟等速度指标对于确保及时的结果至关重要。

Link to this section结果解读#

理解这些指标很重要。以下是一些常见观察到的较低分数可能暗示的问题：

  • 低 mAP： 表明模型可能需要进行总体优化。

  • 低 IoU： 模型可能难以准确锁定对象。采用不同的边界框方法可能会有所帮助。

  • 低精确率： 模型可能检测到了太多不存在的对象。调整置信度阈值可能会减少这种情况。

  • 低召回率： 模型可能遗漏了真实对象。改进 特征提取 或使用更多数据可能会有所帮助。

  • F1 分数不平衡： 精确率和召回率之间存在差距。

  • 类特定 AP： 此处的低分可以凸显模型难以处理的类别。

Link to this section案例研究#

实际案例可以帮助阐明这些指标在实践中是如何工作的。

Link to this section案例 1#

  • 情况： mAP 和 F1 分数不是最佳，虽然召回率不错，但精确率不行。

  • 解读与行动： 可能存在太多的错误检测。提高置信度阈值可以减少这些错误，尽管这可能会稍微降低召回率。

Link to this section案例 2#

  • 情况： mAP 和召回率可以接受，但 IoU 不足。

  • 解读与行动： 模型能很好地检测到对象，但定位不够精确。细化边界框预测可能会有所帮助。

Link to this section案例 3#

  • 情况： 即使整体 mAP 不错，某些类别的 AP 也远低于其他类别。

  • 解读与行动： 这些类别对模型来说可能更具挑战性。为这些类别使用更多数据或在训练期间调整类别权重可能是有益的。

Link to this section联系与协作#

与爱好者和专家社区建立联系可以提升你的 YOLO26 之旅。以下是一些有助于学习、排错和建立人脉的途径。

Link to this section与更广泛的社区互动#

  • GitHub Issues： GitHub 上的 YOLO26 存储库有一个 Issues 标签页，你可以在那里提问、报告 Bug 和建议新功能。社区成员和维护者在这里非常活跃，这是寻求解决具体问题帮助的好地方。

  • Ultralytics Discord 服务器： Ultralytics 有一个 Discord 服务器，你可以在那里与其他用户和开发者互动。

Link to this section官方文档和资源：#

  • Ultralytics YOLO26 文档： 官方文档 提供了 YOLO26 的全面概述，以及安装、使用和排错指南。

使用这些资源不仅能引导你解决挑战，还能让你了解 YOLO26 社区的最新趋势和最佳实践。

Link to this section结论#

在本指南中，我们深入研究了 YOLO26 的关键性能指标。这些指标对于理解模型表现如何至关重要，对于任何旨在微调模型的人来说都是必不可少的。它们提供了改进所需的见解，并确保模型在实际情况中有效运行。

请记住，YOLO26 和 Ultralytics 社区是一笔宝贵的资产。与开发人员和专家交流可以开启通往标准文档中未提及的见解和解决方案的大门。当你深入研究目标检测时，请保持学习精神，尝试新策略并分享你的发现。通过这样做，你为社区的集体智慧做出了贡献，并确保了它的成长。

Link to this section常见问题 (FAQ)#

Link to this section平均精度均值 (mAP) 在评估 YOLO26 模型性能方面有什么意义？#

平均精度均值 (mAP) 对评估 YOLO26 模型至关重要，因为它提供了一个概括跨多个类别的精确率和召回率的单一指标。mAP@0.50 衡量在 0.50 IoU 阈值下的精确率，专注于模型正确检测对象的能力。mAP@0.50:0.95 对一系列 IoU 阈值的精度取平均值，提供对检测性能的全面评估。高 mAP 分数表明模型有效地平衡了精确率和召回率，这对于 自动驾驶 和监控系统等应用至关重要，在这些应用中，准确的检测和最小的误报是至关重要的。

Link to this section我该如何解读 YOLO26 目标检测的交并比 (IoU) 值？#

交并比 (IoU) 衡量预测边界框与真实边界框之间的重叠程度。IoU 值范围从 0 到 1，较高的值表示更好的定位精度。IoU 为 1.0 意味着完美对齐。通常，0.50 的 IoU 阈值用于在 mAP 等指标中定义真正正例。较低的 IoU 值表明模型在精确的对象定位上存在困难，这可以通过细化边界框回归或提高 训练数据集 中的标注准确性来改善。

Link to this section为什么 F1 分数对于评估目标检测中的 YOLO26 模型很重要？#

F1 分数对评估 YOLO26 模型很重要，因为它提供了精确率和召回率的调和平均数，平衡了误报和漏报。在处理不平衡数据集或精确率或召回率单独不足的应用中，它特别有价值。高 F1 分数表明模型在有效检测对象的同时，最大程度地减少了漏检和误报，使其适用于 安防系统 和 医学影像 等关键应用。

Link to this section使用 Ultralytics YOLO26 进行实时目标检测的主要优势是什么？#

Ultralytics YOLO26 为实时目标检测提供了多种优势：

  • 速度与效率：针对高速推理进行了优化，适用于需要低延迟的应用。
  • 高准确性：先进的算法确保了高 mAP 和 IoU 分数，平衡了精确率和召回率。
  • 灵活性：支持各种任务，包括 目标检测、实例分割、语义分割 和 分类。
  • 易用性：用户友好的界面、详尽的文档以及与 Ultralytics 平台等工具的无缝集成（平台快速入门）。

这使得 YOLO26 成为从自动驾驶汽车到 智慧城市解决方案 等各种应用的理想选择。

Link to this section来自 YOLO26 的验证指标如何帮助提高模型性能？#

来自 YOLO26 的精确率、召回率、mAP 和 IoU 等验证指标通过提供对检测不同方面的见解，帮助诊断和改进模型性能：

  • 精确率：有助于识别并最小化误报。
  • 召回率：确保检测到所有相关对象。
  • mAP：提供整体性能快照，指导常规改进。
  • IoU：有助于微调对象定位的准确性。

通过分析这些指标，可以针对特定的弱点进行改进，例如调整置信度阈值以提高精确率，或者收集更多样化的数据以增强召回率。有关这些指标及其解读方式的详细解释，请查看 目标检测指标，并考虑实施 超参数调优 来优化你的模型。

贡献者
GLglenn-jocher12RIRizwanMunawar2PDpderrenger1Y-Y-T-G1WIWillie Maddox1LEleonnil1

评论