Tespit Metriklerini Dürüstçe Okuma

Her tahmin nasıl puanlanır?#

Doğrulama, tahmin edilen her kutuyu gerçek değerle eşleştirir. Bir tahmin, doğru sınıfa aitse ve henüz eşleşmemiş bir gerçek değer kutusuyla IoU değeri eşiği aşıyorsa doğru pozitif (TP) olur; aksi hâlde yanlış pozitif (FP) olur. Eşleşmeyen her gerçek değer nesnesi yanlış negatif (FN) olur.

Güven eşiğini düşürmek daha fazla kutu ekler: recall yükselir, precision düşer. Precision-recall eğrisi, tüm eşiklerde bu ödünleşimi gösterir; eğrinin altındaki alan, tek bir sınıf için ortalama precision (AP) değeridir. mAP50, IoU 0,5 değerinde sınıflar genelindeki AP ortalamasını alır; bu eşikte belirgin ölçüde gevşek bir kutu bile sayılır. mAP50-95, 0,5 ile 0,95 arasındaki on IoU eşiğinin ortalamasını alır ve bu nedenle sıkı kutuları ödüllendirir; Ultralytics model tablolarındaki öne çıkan metriktir.

Bir doğrulama çalıştır#

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

Baştan sona oku:

• Instances 17, Images 4. COCO8 bir hızlı kontroldür. Dört görsel, yayına alma kararı vermek için yeterli değildir; tüm sayıları örnek olarak değerlendir.
• mAP50 0.943, mAP50-95 0.669. Nesnelerin çoğu bulunuyor, ancak birçok kutu gevşek. Aradaki büyük fark, zayıf noktanın tespit değil konumlandırma olduğunu gösterir.
• person AP50-95 0.387. En yaygın sınıf en zayıf sınıf. Darboğazın bu.
• P 0.551, R 0.962. Bu sütunlar, tahmin yaptığın 0.25 eşiğinde değil, sınıflar genelinde F1 değerini en üst düzeye çıkaran tek güven eşiğinde — burada düşük bir eşikte — okunur. Bunları "modelin precision değeri" diye aktarma.

Sınıf başına AP ve dağıtım eşiği#

Aynı çalıştırma, sınıf başına AP ile her güven eşiğindeki precision ve recall değerlerini içerir; böylece tahmine göre değil, bir hedefe göre eşik seçebilirsin:

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

Artık eşik bir his değil, karar kuralı:

Burada ikisi de yeterince iyi değil: yüksek precision, insanların yarısına mal oluyor; yüksek recall ise uyarıların üçte birine. Bu, eşik sorunundan ziyade "yinele" kararı için kanıttır. Doğrulama ayrıca BoxPR_curve.png, BoxP_curve.png, BoxR_curve.png, BoxF1_curve.png ve confusion_matrix.png dosyalarını çalıştırma klasörüne kaydeder; böylece aynı ödünleşimi grafiklerden de okuyabilirsin. Performans metrikleri kılavuzu her birini açıklar.

Sonraki düzeltmeler#

Karmaşıklık matrisi, zayıf bir sınıfın neyle karıştırıldığını gösterir. forklift AP değeri düşükse ve forkliftler pallet_jack olarak tahmin ediliyorsa sorun konumlandırma değil, sınıf karışıklığıdır: görsel farkı gösteren örnekler ekle veya ayrı sınıflara ihtiyaç duyan bir sonraki aşama kodu yoksa sınıfları birleştir. Model değerlendirme içgörüleri kılavuzu iş akışını açıklar.

Düzeltmelerin çoğu ilk ve üçüncü panellere girer: darboğaz sınıfı için daha iyi veri ve daha iyi etiketler. Modeli veya eğitim ayarlarını ancak önceki üç dersteki veri kontrollerini geçtikten sonra değiştir.

Yaygın Hatalar#