قراءة مقاييس الكشف بنزاهة

كيفية احتساب نتيجة كل تنبؤ#

يطابق التحقق كل مربع متنبأ به مع الحقيقة الأرضية. ويُعدّ التنبؤ إيجابيًا حقيقيًا (TP) عندما تكون فئته صحيحة ويتجاوز IoU مع مربع حقيقة أرضية لم يُطابق بعد عتبةً محددة؛ وإلا فهو إيجابي كاذب (FP). وكل كائن في الحقيقة الأرضية لا يقابله أي تنبؤ هو سلبي كاذب (FN).

يؤدي خفض عتبة الثقة إلى إضافة مربعات: يرتفع الاستدعاء وتنخفض الدقة. ويبيّن منحنى الدقة والاستدعاء هذه المفاضلة عبر جميع العتبات، وتمثل المساحة تحته متوسط الدقة (AP) لفئة واحدة. يحسب mAP50 متوسط AP عبر الفئات عند IoU يساوي 0.5، حيث يُحتسب حتى مربع الإحاطة الفضفاض بوضوح. أما mAP50-95 فيحسب المتوسط عبر عشر عتبات IoU من 0.5 إلى 0.95، لذا يكافئ مربعات الإحاطة المحكمة؛ وهو الرقم الأبرز في جداول نماذج Ultralytics.

أجرِ عملية تحقق#

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
metrics = model.val(data="coco8.yaml")

print(f"precision={metrics.box.mp:.3f} recall={metrics.box.mr:.3f}")
print(f"mAP50={metrics.box.map50:.3f} mAP50-95={metrics.box.map:.3f}")

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all          4         17      0.551      0.962      0.943      0.669
                person          3         10      0.551        0.8      0.848      0.387
                   dog          1          1       0.36          1      0.995      0.597
                 horse          1          2       0.36          1      0.995      0.696
              elephant          1          2      0.656      0.969      0.828      0.545
              umbrella          1          1      0.543          1      0.995      0.895
          potted plant          1          1      0.833          1      0.995      0.895

اقرأ النتائج من الأعلى إلى الأسفل:

• Instances 17, Images 4. مجموعة COCO8 اختبار أولي سريع. لا تكفي أربع صور لاتخاذ قرار بالإطلاق؛ وتعامل مع كل رقم على أنه توضيحي.
• mAP50 0.943 مقابل mAP50-95 0.669. يُعثر على معظم الكائنات، لكن كثيرًا من مربعات الإحاطة فضفاضة. وتشير الفجوة الكبيرة إلى أن ضعف النموذج في تحديد المواقع، لا الكشف.
• person AP50-95 0.387. الفئة الأكثر شيوعًا هي الأضعف. وهذه هي نقطة الاختناق لديك.
• P 0.551، R 0.962. تُقرأ هذه الأعمدة عند عتبة الثقة الوحيدة التي تعظّم F1 عبر الفئات — وهي عتبة منخفضة هنا — لا عند 0.25 التي تستخدمها للتنبؤ. لا تقتبسها بوصفها «دقة النموذج».

AP لكل فئة وعتبة النشر#

يعرض التشغيل نفسه AP لكل فئة، والدقة والاستدعاء عند كل عتبة ثقة، لذا يمكنك اختيار العتبة بناءً على هدف بدلًا من التخمين:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
metrics = model.val(data="coco8.yaml", plots=False, verbose=False)
box = metrics.box

# Per-class AP from the same run: the average hides the weakest class
for i, c in enumerate(box.ap_class_index):
    print(f"{model.names[int(c)]:13} AP50={box.ap50[i]:.3f}  AP50-95={box.ap[i]:.3f}")

# Precision and recall at every confidence threshold for one class
row = list(box.ap_class_index).index(0)  # class 0 = person
for conf in (0.1, 0.25, 0.5, 0.75):
    j = int(conf * (len(box.px) - 1))
    print(f"person @ conf {conf:.2f}: precision {box.p_curve[row, j]:.2f}, recall {box.r_curve[row, j]:.2f}")

                   all          4         17      0.551      0.962      0.943      0.669
person        AP50=0.848  AP50-95=0.387
dog           AP50=0.995  AP50-95=0.597
horse         AP50=0.995  AP50-95=0.696
elephant      AP50=0.828  AP50-95=0.545
umbrella      AP50=0.995  AP50-95=0.895
potted plant  AP50=0.995  AP50-95=0.895
person @ conf 0.10: precision 0.63, recall 0.80
person @ conf 0.25: precision 1.00, recall 0.54
person @ conf 0.50: precision 1.00, recall 0.40
person @ conf 0.75: precision 1.00, recall 0.14

وهكذا تصبح العتبة قاعدة لاتخاذ القرار، لا مجرد شعور:

لا يكفي أيٌّ منهما هنا: فالدقة العالية تكلّفنا فقدان نصف الأشخاص، والاستدعاء العالي يكلّفنا ثلث التنبيهات. وهذا دليل يدعم قرار «التكرار»، لا وجود مشكلة في العتبة. كما يحفظ التحقق BoxPR_curve.png وBoxP_curve.png وBoxR_curve.png وBoxF1_curve.png وconfusion_matrix.png في مجلد التشغيل، لتتمكن من قراءة المفاضلة نفسها من الرسوم البيانية؛ ويتناول دليل مقاييس الأداء كلًا منها.

ما الذي ينبغي إصلاحه تاليًا#

توضح لك مصفوفة الالتباس ما الذي يُخلط بينه وبين الفئة الضعيفة. إذا كان AP للفئة forklift منخفضًا وكانت الرافعات الشوكية تُصنّف على أنها pallet_jack، فالمشكلة هي التباس الفئات لا تحديد المواقع: أضف أمثلة تُظهر الفرق المرئي، أو ادمج الفئات إذا لم يكن أي كود لاحق بحاجة إلى إبقائها منفصلة. ويشرح دليل رؤى تقييم النموذج سير العمل.

تندرج معظم الإصلاحات ضمن اللوحتين الأولى والثالثة: بيانات أفضل وتسميات أفضل لفئة الاختناق. لا تغيّر النموذج أو إعدادات التدريب إلا بعد اجتياز فحوص البيانات الواردة في الدروس الثلاثة السابقة.

مواطن الخلل#