Model Değerlendirmesi ve İnce Ayarı Hakkında Bilgiler
Giriş
Bilgisayar görüşü modelinizi eğittikten sonra, optimum şekilde performans göstermesi için onu değerlendirmek ve iyileştirmek çok önemlidir. Sadece modelinizi eğitmek yeterli değildir. Modelinizin doğru, verimli olduğundan ve bilgisayar görüşü projenizin amacını yerine getirdiğinden emin olmanız gerekir. Modelinizi değerlendirerek ve ince ayar yaparak, zayıflıkları belirleyebilir, doğruluğunu artırabilir ve genel performansı yükseltebilirsiniz.
İzle: Model Değerlendirmesi ve İnce Ayarına İlişkin İçgörüler | Ortalama Kesinlik Değerini İyileştirmeye Yönelik İpuçları
Bu kılavuzda, bu bilgisayar görüşü projesinin adımını daha yaklaşılabilir hale getirecek model değerlendirmesi ve ince ayar hakkında bilgiler paylaşacağız. Değerlendirme metriklerini nasıl anlayacağımızı ve ince ayar tekniklerini nasıl uygulayacağımızı tartışarak, modelinizin yeteneklerini yükseltmeniz için gereken bilgileri size vereceğiz.
Metrikleri Kullanarak Model Performansını Değerlendirme
Bir modelin ne kadar iyi performans gösterdiğini değerlendirmek, ne kadar etkili çalıştığını anlamamıza yardımcı olur. Performansı ölçmek için çeşitli metrikler kullanılır. Bu performans metrikleri, modelin amaçlanan hedeflere ulaştığından emin olmak için iyileştirmelere rehberlik edebilecek net, sayısal bilgiler sağlar. Şimdi birkaç temel metriğe daha yakından bakalım.
Güven Puanı
Güvenilirlik skoru, modelin algılanan bir nesnenin belirli bir sınıfa ait olduğundan ne kadar emin olduğunu temsil eder. 0 ile 1 arasında değişir; daha yüksek skorlar daha fazla güveni gösterir. Güvenilirlik skoru, tahminleri filtrelemeye yardımcı olur; yalnızca belirtilen bir eşiğin üzerindeki güvenilirlik skorlarına sahip algılamalar geçerli kabul edilir.
Hızlı İpucu: Çıkarımlar yaparken, herhangi bir tahmin göremiyorsanız ve diğer her şeyi kontrol ettiyseniz, güven skorunu düşürmeyi deneyin. Bazen, eşik çok yüksek olduğundan model geçerli tahminleri göz ardı eder. Skoru düşürmek, modelin daha fazla olasılığı değerlendirmesine olanak tanır. Bu, proje hedeflerinizi karşılamayabilir, ancak modelin neler yapabileceğini görmek ve ince ayar yapmaya nasıl karar vereceğiniz için iyi bir yoldur.
Kesişim Üzerinden Birleşim (Intersection over Union)
Kesişim Üzerinden Birleşim (IoU), tahmin edilen sınırlayıcı kutunun gerçek sınırlayıcı kutu ile ne kadar iyi örtüştüğünü ölçen bir nesne tespiti metriğidir. IoU değerleri 0 ile 1 arasında değişir; burada bir, mükemmel bir eşleşmeyi temsil eder. IoU önemlidir çünkü tahmin edilen sınırların gerçek nesne sınırlarıyla ne kadar yakından eşleştiğini ölçer.
Ortalama Ortalama Hassasiyet
Ortalama Ortalama Kesinlik (mAP), bir nesne algılama modelinin ne kadar iyi performans gösterdiğini ölçmenin bir yoludur. Her nesne sınıfını tespit etme kesinliğine bakar, bu puanların ortalamasını alır ve modelin nesneleri ne kadar doğru bir şekilde tanımlayıp sınıflandırabileceğini gösteren genel bir sayı verir.
Şimdi iki belirli mAP metriğine odaklanalım:
- mAP@.5: 0,5'lik tek bir IoU (Kesişim Bölü Birleşim) eşiğinde ortalama kesinliği ölçer. Bu metrik, modelin daha gevşek bir doğruluk gereksinimiyle nesneleri doğru bir şekilde bulup bulamadığını kontrol eder. Mükemmel yerleştirmeye ihtiyaç duymadan, nesnenin kabaca doğru yerde olup olmadığına odaklanır. Modelin nesneleri tespit etmede genel olarak iyi olup olmadığını görmeye yardımcı olur.
- mAP@.5:.95: 0,05'lik artışlarla 0,5'ten 0,95'e kadar birden çok IoU eşiğinde hesaplanan mAP değerlerinin ortalamasıdır. Bu metrik daha ayrıntılı ve katıdır. Modelin farklı katılık düzeylerinde nesneleri ne kadar doğru bulabildiğine dair daha eksiksiz bir resim verir ve özellikle hassas nesne algılama gerektiren uygulamalar için kullanışlıdır.
Diğer mAP ölçümleri arasında, 0,75'lik daha katı bir IoU eşiği kullanan mAP@0.75 ve farklı boyutlardaki nesneler genelinde hassasiyeti değerlendiren mAP@small, medium ve large bulunur.
YOLO11 Model Performansını Değerlendirme
YOLO11 ile ilgili olarak, modeli değerlendirmek için doğrulama modunu kullanabilirsiniz. Ayrıca, YOLO11 performans metrikleri ve bunların nasıl yorumlanabileceği hakkında derinlemesine bilgi veren kılavuzumuza göz atmayı unutmayın.
Toplulukta Sıkça Sorulan Sorular
YOLO11 modelinizi değerlendirirken, birkaç sorunla karşılaşabilirsiniz. Topluluktan gelen yaygın sorulara dayanarak, YOLO11 modelinizden en iyi şekilde yararlanmanıza yardımcı olacak bazı ipuçları şunlardır:
Değişken Görüntü Boyutlarını İşleme
YOLO11 modelinizi farklı boyutlardaki görüntülerle değerlendirmek, çeşitli veri kümelerindeki performansını anlamanıza yardımcı olabilir. Şunu kullanarak: rect=true validation parametresi ile YOLO11, modelin dikdörtgen görüntüleri tek bir boyuta zorlamadan işlemesini sağlayarak, ağın adımını görüntü boyutlarına göre her bir toplu iş için ayarlar.
imgsz validation parametresi, görüntü yeniden boyutlandırma için maksimum boyutu ayarlar ve bu varsayılan olarak 640'tır. Bunu, veri kümenizin maksimum boyutlarına ve mevcut GPU belleğine göre ayarlayabilirsiniz. Şununla bile imgsz ayarla, rect=true modelin adımı dinamik olarak ayarlayarak değişen görüntü boyutlarını etkili bir şekilde yönetmesini sağlar.
YOLO11 Metriklerine Erişme
YOLO11 modelinizin performansı hakkında daha derin bir anlayış edinmek istiyorsanız, birkaç satır Python koduyla belirli değerlendirme metriklerine kolayca erişebilirsiniz. Aşağıdaki kod parçacığı, modelinizi yüklemenize, bir değerlendirme çalıştırmanıza ve modelinizin ne kadar iyi performans gösterdiğini gösteren çeşitli metrikleri yazdırmanıza olanak tanır.
Kullanım
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)
Sonuç nesnesi ayrıca ön işleme süresi, çıkarım süresi, kayıp ve son işleme süresi gibi hız metriklerini de içerir. Bu metrikleri analiz ederek, YOLO11 modelinizi daha iyi performans için ince ayarlayabilir ve optimize edebilir, böylece özel kullanım durumunuz için daha etkili hale getirebilirsiniz.
İnce Ayar Nasıl Çalışır?
İnce ayar, önceden eğitilmiş bir modeli alıp belirli bir görev veya veri kümesinde performansı artırmak için parametrelerini ayarlamayı içerir. Modelin yeniden eğitilmesi olarak da bilinen bu işlem, modelin gerçek dünya uygulamalarında karşılaşacağı belirli veriler için sonuçları daha iyi anlamasını ve tahmin etmesini sağlar. Optimum sonuçlar elde etmek için model değerlendirmenize göre modelinizi yeniden eğitebilirsiniz.
Modelinizi İyileştirmek İçin İpuçları
Bir modeli ince ayar yapmak, optimum performansı elde etmek için çeşitli önemli parametrelere ve tekniklere yakından dikkat etmek anlamına gelir. Süreç boyunca size yol gösterecek bazı temel ipuçları şunlardır.
Daha Yüksek Bir Öğrenme Oranı ile Başlamak
Genellikle, ilk eğitim evrelerinde, öğrenme oranı düşük başlar ve eğitim sürecini stabilize etmek için kademeli olarak artar. Ancak, modeliniz önceki veri kümesinden bazı özellikleri zaten öğrendiğinden, daha yüksek bir öğrenme oranıyla başlamak daha faydalı olabilir.
YOLO11 modelinizi değerlendirirken, warmup_epochs validation parametresini warmup_epochs=0 öğrenme oranının çok yüksek başlamasını önlemek için. Bu süreci izleyerek, eğitim sağlanan ağırlıklardan devam edecek ve yeni verilerinizin nüanslarına uyum sağlayacaktır.
Küçük Nesneler İçin Görüntü Döşemesi
Görüntü döşemesi, küçük nesneler için algılama doğruluğunu artırabilir. Daha büyük görüntüleri daha küçük segmentlere bölerek, örneğin 1280x1280 görüntüleri birden çok 640x640 segmente bölerek, orijinal çözünürlüğü korursunuz ve model yüksek çözünürlüklü parçalardan öğrenebilir. YOLO11 kullanırken, bu yeni segmentler için etiketlerinizi doğru şekilde ayarladığınızdan emin olun.
Toplulukla Etkileşim Kurun
Fikirlerinizi ve sorularınızı diğer bilgisayar görüşü meraklılarıyla paylaşmak, projelerinizdeki engellere yaratıcı çözümler bulmanıza ilham verebilir. İşte öğrenmek, sorun gidermek ve bağlantı kurmak için bazı mükemmel yollar.
Yardım ve Destek Bulma
- GitHub Sorunları: YOLO11 GitHub deposunu keşfedin ve soru sormak, hataları bildirmek ve özellikler önermek için Sorunlar sekmesini kullanın. Topluluk ve bakımcılar, karşılaştığınız herhangi bir konuda yardımcı olmak için hazırdır.
- Ultralytics Discord Sunucusu: Diğer kullanıcılar ve geliştiricilerle bağlantı kurmak, destek almak, bilgi paylaşmak ve fikir alışverişinde bulunmak için Ultralytics Discord sunucusuna katılın.
Resmi Belgelendirme
- Ultralytics YOLO11 Dökümantasyonu: Çeşitli bilgisayar görüşü görevleri ve projeleri hakkında kapsamlı kılavuzlar ve değerli bilgiler için resmi YOLO11 dökümantasyonuna göz atın.
Son Düşünceler
Bilgisayar görüşü modelinizi değerlendirmek ve ince ayar yapmak, başarılı model dağıtımı için önemli adımlardır. Bu adımlar, modelinizin doğru, verimli ve genel uygulamanıza uygun olduğundan emin olmanıza yardımcı olur. Mümkün olan en iyi modeli eğitmenin anahtarı, sürekli deney yapmak ve öğrenmektir. Parametreleri değiştirmekten, yeni teknikler denemekten ve farklı veri kümelerini keşfetmekten çekinmeyin. Denemeye devam edin ve olasılıkların sınırlarını zorlayın!
SSS
YOLO11 model performansını değerlendirmek için temel metrikler nelerdir?
YOLO11 model performansını değerlendirmek için önemli metrikler arasında Güven Puanı, Kesişim Üzerinden Birleşim (IoU) ve Ortalama Ortalama Hassasiyet (mAP) bulunur. Güven Puanı, modelin algılanan her nesne sınıfı için kesinliğini ölçer. IoU, tahmin edilen sınırlayıcı kutunun gerçek değerle ne kadar iyi örtüştüğünü değerlendirir. Ortalama Ortalama Hassasiyet (mAP), sınıflar arası hassasiyet puanlarını toplar; mAP@.5 ve mAP@.5:.95, değişen IoU eşikleri için iki yaygın türdür. YOLO11 performans metrikleri kılavuzumuzda bu metrikler hakkında daha fazla bilgi edinin.
Belirli veri kümem için önceden eğitilmiş bir YOLO11 modelini nasıl ince ayar yapabilirim?
Önceden eğitilmiş bir YOLO11 modeline ince ayar yapmak, belirli bir görev veya veri kümesinde performansı artırmak için parametrelerini ayarlamayı içerir. Modelinizi metrikleri kullanarak değerlendirerek başlayın, ardından warmup_epochs parametresini anında kararlılık için 0'a ayarlayın. Şu parametreleri kullanın: rect=true değişken görüntü boyutlarını etkili bir şekilde işlemek için. Daha ayrıntılı rehberlik için, bölümümüze bakın: YOLO11 modellerine ince ayar yapma.
YOLO11 modelimi değerlendirirken değişken görüntü boyutlarını nasıl ele alabilirim?
Değerlendirme sırasında değişken görüntü boyutlarını işlemek için şunu kullanın: rect=true parametresi, görüntü boyutlarına bağlı olarak her bir toplu iş için ağın adımını ayarlayan YOLO11'de bulunur. Bu imgsz parametresi, görüntü yeniden boyutlandırma için maksimum boyutu ayarlar ve varsayılan olarak 640'tır. Şunu ayarlayın: imgsz veri kümenize ve GPU belleğinize uyacak şekilde. Daha fazla ayrıntı için, değişken görüntü boyutlarını işleme bölümü.
YOLO11 modelim için ortalama kesinliği (mean average precision) iyileştirmek için hangi pratik adımları atabilirim?
Bir YOLO11 modeli için ortalama hassasiyeti (mAP) iyileştirmek çeşitli adımlar içerir:
- Hiperparametreleri Ayarlama: Farklı öğrenme oranları, batch boyutları ve görsel zenginleştirmeleri ile deneyler yapın.
- Veri Artırma: Çeşitli eğitim örnekleri oluşturmak için Mozaik ve MixUp gibi teknikleri kullanın.
- Görüntü Döşemesi: Küçük nesneler için algılama doğruluğunu artırmak amacıyla daha büyük görüntüleri daha küçük döşemelere bölün. Belirli stratejiler için model ince ayarı hakkındaki ayrıntılı kılavuzumuza bakın.
YOLO11 model değerlendirme metriklerine Python'da nasıl erişebilirim?
Aşağıdaki adımlarla python kullanarak YOLO11 model değerlendirme metriklerine erişebilirsiniz:
Kullanım
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)
Bu metrikleri analiz etmek, YOLO11 modelinizi ince ayarlamanıza ve optimize etmenize yardımcı olur. Daha derinlemesine bir inceleme için YOLO11 metrikleri hakkındaki kılavuzumuza göz atın.
