Parti dall'obiettivo aziendale

La descrizione dell'obiettivo di una pagina#

Cinque righe rispondono alle domande da cui dipende ogni passaggio successivo. La guida Definire gli obiettivi del progetto approfondisce gli stessi argomenti. Ecco un esempio compilato per un magazzino, su cui si basa questo corso:

Fissa la pagina in un posto visibile a tutto il team. Se in seguito qualcuno contesta una voce, modifica prima la pagina e poi il dataset.

Scegli il task più semplice che risponde alla domanda#

Il task determina cosa disegnano gli annotatori, e questo determina gran parte del budget per l'annotazione. Segui questo albero decisionale e fermati al primo task che risponde alla domanda aziendale:

Ultralytics YOLO supporta sette task. Per pianificare il dataset, conta il costo di annotazione di ciascuno; Fondamenti di visione artificiale li confronta in dettaglio nella lezione sui task di visione.

Leggi il pannello delle banane come un listino prezzi: il rilevamento fornisce già presenza, posizione e conteggio, mentre solo i due pannelli di segmentazione aggiungono dimensioni e forma, a un costo di etichettatura molto più alto. Se all'azienda serve solo sapere "quante banane", la risposta è il rilevamento e i poligoni sono budget sprecato.

Definisci classi applicabili dagli annotatori#

Una classe è utile solo se due annotatori etichettano allo stesso modo lo stesso oggetto. Definisci ciascuna classe con una frase che indichi un elemento simile che esclude:

• forklift: un carrello elevatore a motore, comprese le forche e il montante. Esclude i transpallet manuali.
• person: qualsiasi persona, anche parzialmente visibile, seduta o all'interno della cabina di un veicolo. Esclude riflessi e poster.
• pallet: un pallet di legno o plastica, carico o vuoto. Esclude le pile di casse senza una base di pallet.

Poi scegli deliberatamente il livello di dettaglio. Le classi generiche ("veicolo") costano meno e convergono più rapidamente; quelle specifiche ("berlina", "pick-up") sono più utili nelle fasi successive, ma più difficili da mantenere coerenti. Parti dalle esigenze aziendali. In seguito puoi accorpare le etichette specifiche in classi generiche con una riga di codice, ma non puoi mai suddividere le classi generiche senza rietichettare.

Trasforma la metrica in un test di accettazione eseguibile#

Scegli la metrica che corrisponde al costo di un errore:

• Un mancato rilevamento costa caro (sicurezza, difetti): stabilisci una soglia di richiamo per quella classe.
• Un falso allarme costa caro (rifiuto automatico di parti, avvisi al personale): stabilisci una soglia di precisione.
• Tutte le classi hanno la stessa importanza (conteggio, inventario): stabilisci una soglia per l'AP di ogni classe, così nessuna classe può nascondersi dietro la media.

La guida alle metriche di prestazione di YOLO spiega ciascuna metrica. Poi scrivi il test sotto forma di codice, così la domanda "è abbastanza valido?" non è più oggetto di discussione. Questo script funziona oggi con un modello preaddestrato sul set dimostrativo COCO8 e, in seguito, con il tuo checkpoint e il tuo set di holdout:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")  # later: your fine-tuned runs/detect/train/weights/best.pt
metrics = model.val(data="coco8.yaml", classes=[0], verbose=False)  # 0 = person; later: your holdout YAML

precision, recall = metrics.box.mp, metrics.box.mr
print(f"person: precision={precision:.2f} recall={recall:.2f}")
print("PASS" if recall >= 0.95 and precision >= 0.85 else "FAIL: below the acceptance test")

                   all          4         10      0.939        0.8      0.848      0.387
person: precision=0.94 recall=0.80
FAIL: below the acceptance test

Cosa indica ogni riga:

• classes=[0] valuta solo person, così le altre classi non possono gonfiare il risultato. Usa l'ID della tua classe di sicurezza.
• La riga del validatore mostra 4 immagini con 10 persone etichettate. mp e mr sono precisione e richiamo alla soglia di confidenza che le bilancia al meglio (F1 massimo).
• Un modello COCO preaddestrato rileva 8 delle 10 persone, quindi il richiamo è 0.80: preciso, ma non abbastanza sicuro. Questo FAIL dimostra che il test funziona. In questo corso, un FAIL rimanda ai dati, non agli iperparametri.

Specifica cosa non farà la v1#

Nessun modello è perfetto, quindi definisci in anticipo quali mancate rilevazioni sono accettabili: condizioni per cui non farai promesse (nebbia fitta, buio totale), elementi simili che accetterai vengano confusi e classi rare rimandate alla v2. Questa riga evita che un modello conforme all'obiettivo venga valutato rispetto a un'asticella del 100% mai dichiarata e indica al team di raccolta dove non investire ancora tempo.