Her Görevi Değerlendir ve Dağıtıma Al

Her görev için bir eşik#

performans metrikleri kılavuzu her puanı açıklar. Segmentasyon ve poz çalıştırmaları kutu metriklerini de raporlar; bunları tanılama amacıyla kullan — kutu ile maske arasındaki fark, dış hat kalitesine işaret eder — ancak bunlar ürünün kendisi değildir. Eşik taramaları ve karmaşıklık matrisi gibi tespite özgü inceleme yöntemleri Doğrulama ve Tanılama bölümünden kullanılabilir.

Tüm görevleri tek bir döngüde doğrula#

Val modu, eşleşen veri kümesiyle her görevin ağırlıklarını kabul eder; böylece tek bir döngü sürüm tablosunun sayılarını üretir:

from ultralytics import YOLO

runs = {
    "yolo26n-seg.pt": ("coco8-seg.yaml", "metrics/mAP50-95(M)"),
    "yolo26n-sem.pt": ("cityscapes8.yaml", "metrics/mIoU"),
    "yolo26n-pose.pt": ("coco8-pose.yaml", "metrics/mAP50-95(P)"),
    "yolo26n-obb.pt": ("dota8.yaml", "metrics/mAP50-95(B)"),
    "yolo26n-depth.pt": ("depth8.yaml", "metrics/delta1"),
}
for weights, (data, key) in runs.items():
    metrics = YOLO(weights).val(data=data, device="cpu", plots=False, verbose=False)
    print(f"{weights:17s} {key:22s} {metrics.results_dict[key]:.3f}")

yolo26n-seg.pt    metrics/mAP50-95(M)    0.538
yolo26n-sem.pt    metrics/mIoU           0.610
yolo26n-pose.pt   metrics/mAP50-95(P)    0.419
yolo26n-obb.pt    metrics/mAP50-95(B)    0.857
yolo26n-depth.pt  metrics/delta1         0.377

Açıkça bir imgsz belirtilmediğinde her model, eğitildiği boyutta doğrulanır: segmentasyon ve poz için 640, derinlik için 768, anlamsal segmentasyon ve OBB için 1024. Bu önceden eğitilmiş sayıların değeri, kursta daha önceki 320 piksel eğitim çalışmalarınınkinden yüksektir; bunda hem eğitim hem de çözünürlük etkili olmuştur. Dört doğrulama görüntüsü, buradaki tüm sayıları hızlı birer kontrolden ibaret kılar; örneğin derinlik görevi sayfası, tam NYU kıyaslama veri kümesindeki δ1 değerini raporlar. Sınıflandırma özellikle dışarıda bırakılmıştır: sınıflandırıcı dersinde olduğu gibi, ince ayar yaptığın sınıflandırıcıyı kendi klasörlerinde doğrula.

Her görevi dışa aktar#

Her görev, aynı Dışa Aktarma modu çağrısıyla ONNX biçimine aktarılır. Görev model meta verilerinde saklandığından YOLO("model.onnx") doğru son işlemeyi uygular. Çalışma zamanı seçenekleri, eşdeğerlik kontrolleri ve TensorRT veya OpenVINO ayarları ONNX'e Aktarma (ve Eşdeğerliği Doğrulama) bölümünde ele alınır; bu döngü her görevin gidiş-dönüş aktarımından sağ çıktığını denetler:

from ultralytics import YOLO

for weights in ["yolo26n-seg.pt", "yolo26n-sem.pt", "yolo26n-pose.pt", "yolo26n-obb.pt", "yolo26n-cls.pt", "yolo26n-depth.pt"]:
    onnx_path = YOLO(weights).export(format="onnx", imgsz=320)
    onnx_model = YOLO(onnx_path)  # task comes from the ONNX metadata
    result = onnx_model("https://ultralytics.com/images/bus.jpg", imgsz=320, verbose=False)[0]
    print(f"{onnx_model.task:9s} {result.verbose()}")

segment   4 persons, 1 bus,
semantic
pose      3 persons,
obb       (no detections),
classify  minibus 0.38, police_van 0.21, trolleybus 0.05, amphibian 0.05, bullet_train 0.03,
depth     depth 4.67-26.91m,

Her dışa aktarım, doğru görevle yeniden yüklendi. Üç sonuç daha yakından incelenmeli:

• Poz, 320 pikselde 3 kişi buldu; aynı boyutta 640 piksel kullanan PyTorch çalıştırması 5 kişi bulmuştu.
• Derinlik modeli sahneyi 4,7–26,9 m olarak okudu; aynı ağırlıklar doğal boyutları olan 768 pikselde 2,1–14,9 m değerlerini vermişti.
• OBB, bir sokak fotoğrafında hiçbir şey bulmadı — bu, hava görüntüleri üzerinde eğitilmiş bir model için beklenen davranıştır; dışa aktarım hatası değildir.

imgsz=320 boyutunda PyTorch, ONNX ile aynı poz ve derinlik sayılarını verir; dolayısıyla ikisi de dışa aktarım hatası değildir: sonucu değiştiren girdi boyutudur. Doğruladığın imgsz boyutunda dışa aktar. Anlamsal sonuçlarda nesne başına özet satırı bulunmadığından bunun yerine result.semantic_mask değerini kontrol et.

Kendi son işlem kodunu yazıyorsan, dışa aktarım günlüğündeki imgsz=320 boyutunda ONNX'in ham çıktıları şunlardır:

Ultralytics Platform'da model sayfası, aynı biçimleri oluşturan Dışa Aktarma sekmesinin üzerinde, göreve özgü metrikleri (segmentasyon modeli için maske mAP gibi) gösterir:

ONNX, farklı sistemler arasında aktarım noktasıdır: dışa aktarılan tek bir dosya ONNX Runtime'ta çalışır veya başka çalışma zamanlarına dönüştürülebilir.

Dağıtım kontrol listesi#

• Yukarıdaki tablodaki eşik metriği, ayrılmış bir veri kümesinde dağıtım imgsz değerinde hedefini karşılıyor.
• Dışa aktarılan model beklenen task ile yeniden yükleniyor ve sabit bir görüntü kümesindeki tahminleri PyTorch tahminleriyle eşleşiyor.
• Her göreve özgü kod yolu boş sonuçları işliyor: masks is None, sıfır anahtar nokta, sıfır OBB.
• Aşağı akıştaki sayılar (alanlar, açılar, mesafeler, sınıf olasılıkları) kaydediliyor; böylece Gözlemlenebilirlik ve Kayma bölümünde açıklandığı gibi bu değerlerdeki değişimi izleyebilirsin.

Eşik karşılanmadığında, "veriye geri dönmek" genellikle şu üç kaldıraçtan birini kullanmak anlamına gelir:

Önce veri kalitesini ve etiketleme sürecini düzelt — 2. ve 6. derslerdeki etiket kontrolleri başlamak için en düşük maliyetli seçenektir — ve modeli ancak veriler temiz olduğunda değiştir.