Ultralytics YOLO ile Model Doğrulama

Giriş

Doğrulama, eğitilmiş modellerinizin kalitesini değerlendirmenize olanak tanıyan makine öğrenimi hattında kritik bir adımdır. Ultralytics YOLO11'deki Val modu, nesne algılama modellerinizin performansını değerlendirmek için güçlü bir araç ve metrik paketi sağlar. Bu kılavuz, modellerinizin hem doğru hem de güvenilir olduğundan emin olmak için Val modunu nasıl etkili bir şekilde kullanacağınızı anlamanız için eksiksiz bir kaynak görevi görür.

İzle: Ultralytics Modları Eğitimi: Doğrulama

Neden Ultralytics YOLO ile Doğrulama Yapmalısınız?

İşte YOLO11'in Doğrulama modunu kullanmanın neden avantajlı olduğu:

• Hassasiyet: Modelinizi kapsamlı bir şekilde değerlendirmek için mAP50, mAP75 ve mAP50-95 gibi doğru metrikler alın.
• Kolaylık: Doğrulama sürecini basitleştiren, eğitim ayarlarını hatırlayan yerleşik özellikleri kullanın.
• Esneklik: Modelinizi aynı veya farklı veri kümeleri ve görüntü boyutlarıyla doğrulayın.
• Hiperparametre Ayarlama: Daha iyi performans için modelinize ince ayar yapmak üzere doğrulama metriklerini kullanın.

Değerlendirme Modunun Temel Özellikleri

Bunlar, YOLO11'in Doğrulama modunun sunduğu önemli işlevlerdir:

• Otomatik Ayarlar: Modeller, basit doğrulama için eğitim yapılandırmalarını hatırlar.
• Çoklu Metrik Desteği: Modelinizi bir dizi doğruluk metriğine göre değerlendirin.
• CLI ve Python API: Doğrulama için komut satırı arayüzü veya python API'si arasından tercihinize göre seçim yapın.
• Veri Uyumluluğu: Eğitim aşamasında kullanılan veri kümeleri ve özel veri kümeleriyle sorunsuz çalışır.

Kullanım Örnekleri

Eğitilmiş YOLO11n modelini doğrulayın doğruluğu COCO8 veri kümesi üzerinde. Herhangi bir argümana gerek yoktur, çünkü model eğitimini korur data ve argümanları model öznitelikleri olarak kullanır. Doğrulama argümanlarının tam listesi için aşağıdaki Argümanlar bölümüne bakın.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list contains map50-95 of each category

yolo detect val model=yolo11n.pt      # val official model
yolo detect val model=path/to/best.pt # val custom model

YOLO Model Doğrulama Argümanları

YOLO modellerini doğrularken, değerlendirme sürecini optimize etmek için çeşitli argümanlar ince ayarlanabilir. Bu argümanlar, girdi görüntüsü boyutu, toplu işleme ve performans eşikleri gibi hususları kontrol eder. Doğrulama ayarlarınızı etkili bir şekilde özelleştirmenize yardımcı olmak için her bir argümanın ayrıntılı bir dökümü aşağıda verilmiştir.

Bu ayarların her biri, YOLO modellerinin özelleştirilebilir ve verimli bir şekilde değerlendirilmesini sağlayarak doğrulama sürecinde hayati bir rol oynar. Bu parametreleri özel ihtiyaçlarınıza ve kaynaklarınıza göre ayarlamak, doğruluk ve performans arasında en iyi dengeyi sağlamaya yardımcı olabilir.

Argümanlarla Örnek Doğrulama

İzle: Model Doğrulama Sonuçları CSV, JSON, SQL, Pandas DataFrame ve Daha Fazla Formatlarda Nasıl Dışa Aktarılır

Aşağıdaki örnekler, Python ve CLI'da özel argümanlarla YOLO model doğrulamasını göstermektedir.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

Daha fazla ayrıntı için şuraya bakın: DataExportMixin sınıf dokümantasyonu.

SSS

Ultralytics ile YOLO11 modelimi nasıl doğrularım?

YOLO11 modelinizi doğrulamak için, Ultralytics tarafından sağlanan Val modunu kullanabilirsiniz. Örneğin, Python API'sini kullanarak bir model yükleyebilir ve şu şekilde doğrulama çalıştırabilirsiniz:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

Alternatif olarak, komut satırı arayüzünü (CLI) kullanabilirsiniz:

yolo val model=yolo11n.pt

Daha fazla özelleştirme için, gibi çeşitli argümanları ayarlayabilirsiniz. imgsz, batchve conf hem Python hem de CLI modlarında. Kontrol edin: YOLO Model Doğrulama Argümanları parametlerin tam listesi için bölümüne bakın.

YOLO11 model doğrulamasıyla hangi metrikleri elde edebilirim?

YOLO11 model doğrulaması, model performansını değerlendirmek için çeşitli temel metrikler sağlar. Bunlar şunları içerir:

• mAP50 (IoU eşiği 0,5'te ortalama Ortalama Hassasiyet)
• mAP75 (IoU eşiği 0,75'te ortalama Ortalama Hassasiyet)
• mAP50-95 (0,5'ten 0,95'e kadar birden çok IoU eşiğinde ortalama Ortalama Hassasiyet)

Python API'sini kullanarak, bu metriklere aşağıdaki gibi erişebilirsiniz:

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category

Eksiksiz bir performans değerlendirmesi için, tüm bu metrikleri gözden geçirmek çok önemlidir. Daha fazla ayrıntı için Val Modunun Temel Özellikleri bölümüne bakın.

Doğrulama için Ultralytics YOLO kullanmanın avantajları nelerdir?

Doğrulama için Ultralytics YOLO kullanmak çeşitli avantajlar sağlar:

• Kesinlik: YOLO11, mAP50, mAP75 ve mAP50-95 dahil olmak üzere doğru performans metrikleri sunar.
• Kolaylık: Modeller, eğitim ayarlarını hatırlar ve bu da doğrulamayı kolaylaştırır.
• Esneklik: Aynı veya farklı veri kümelerine ve görüntü boyutlarına karşı doğrulama yapabilirsiniz.
• Hiperparametre Ayarlama: Doğrulama metrikleri, daha iyi performans için modellerin ince ayarlanmasına yardımcı olur.

Bu faydalar, modellerinizin kapsamlı bir şekilde değerlendirilmesini ve üstün sonuçlar için optimize edilebilmesini sağlar. Neden Ultralytics YOLO ile Doğrulama bölümünde bu avantajlar hakkında daha fazla bilgi edinin.

YOLO11 modelimi özel bir veri kümesi kullanarak doğrulayabilir miyim?

Evet, YOLO11 modelinizi bir kullanarak doğrulayabilirsiniz özel veri kümesi. Şunu belirtin: data veri kümesi yapılandırma dosyanızın yolunu içeren argüman. Bu dosya, şunlara giden yolları içermelidir: doğrulama verilerinin yolları, sınıf adları ve diğer ilgili ayrıntılar.

Python'da örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

CLI kullanılarak örnek:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

Doğrulama sırasında daha fazla özelleştirilebilir seçenek için Argümanlarla Örnek Doğrulama bölümüne bakın.

YOLO11'de doğrulama sonuçlarını bir JSON dosyasına nasıl kaydederim?

Doğrulama sonuçlarını bir JSON dosyasına kaydetmek için şunu ayarlayabilirsiniz: save_json argümanını True doğrulama çalıştırılırken. Bu, hem Python API'sinde hem de CLI'da yapılabilir.

Python'da örnek:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Save validation results to JSON
metrics = model.val(save_json=True)

CLI kullanılarak örnek:

yolo val model=yolo11n.pt save_json=True

Bu işlevsellik, diğer araçlarla daha fazla analiz veya entegrasyon için özellikle kullanışlıdır. Daha fazla ayrıntı için YOLO Model Doğrulaması için Argümanlar bölümünü kontrol edin.

📅 1 yıl önce oluşturuldu ✏️ 10 gün önce güncellendi

Yorumlar