İş Hedefiyle Başla

Tek sayfalık hedef#

Sonraki her adımın dayandığı soruları beş satır yanıtlıyor. Proje hedeflerini tanımlama kılavuzu aynı konuları daha derinlemesine ele alıyor. İşte bu kursun temel aldığı, doldurulmuş bir depo örneği:

Sayfayı tüm ekibin görebileceği bir yere sabitle. Bir paydaş sonradan bir satıra itiraz ederse önce sayfayı, sonra veri kümesini değiştir.

Soruyu yanıtlayan en basit görevi seç#

Görev, etiketleyicilerin ne çizeceğini belirler; bu da etiketleme bütçesinin büyük bölümünü belirler. Bu karar ağacını izleyerek ilerle ve iş sorusunu yanıtlayan ilk görevde dur:

Ultralytics YOLO yedi görevi destekler. Veri kümesini planlarken önemli olan, her görevin etiketleme maliyetidir; Computer Vision Foundations, bu görevleri görüntü işleme görevleri dersinde derinlemesine karşılaştırır.

Muz görselini bir fiyat listesi gibi oku: tespit zaten varlık, konum ve sayım sorularını yanıtlar; boyut ve şekil bilgisi ekleyen yalnızca iki segmentasyon panelidir ve bunun etiketleme maliyeti çok daha yüksektir. İşletmenin tek ihtiyacı "kaç muz var" sorusunun yanıtıysa tespit yeterlidir; çokgenler boşa harcanan bütçedir.

Etiketleyicinin uygulayabileceği sınıflar tanımla#

Bir sınıf, yalnızca iki etiketleyici aynı nesneyi aynı şekilde etiketliyorsa işe yarar. Her sınıfı, dışarıda bıraktığı benzer görünümlü bir şeyi belirten tek cümlelik bir tanım olarak yaz:

• forklift: çatalları ve direği dâhil, motorlu bir forklift. Manuel transpaletler hariçtir.
• person: kısmen görünür, oturuyor veya araç kabininin içinde olsa bile tüm insanlar. Yansımalar ve posterler hariçtir.
• pallet: yüklü veya boş, ahşap ya da plastik bir nakliye paleti. Palet tabanı olmayan istiflenmiş kasalar hariçtir.

Ardından ayrıntı düzeyini bilinçli olarak seç. Geniş kapsamlı sınıflar ("araç") daha ucuzdur ve daha hızlı yakınsar; ayrıntılı sınıflar ("sedan", "pikap") sonraki aşamalarda daha kullanışlıdır ancak tutarlı biçimde sürdürülmeleri daha zordur. İşletmenin ihtiyaç duyduğu sınıflarla başla. Ayrıntılı etiketler daha sonra tek satır kodla geniş kapsamlı sınıflarda birleştirilebilir; ancak geniş kapsamlı etiketler yeniden etiketlenmeden asla ayrılamaz.

Metrik için çalıştırabileceğin bir kabul testi oluştur#

Hata maliyetine uygun metriği seç:

• Bir hatalı kaçırma pahalıya mal oluyorsa (güvenlik, kusurlar): o sınıf için duyarlılığı eşik olarak kullan.
• Yanlış alarm pahalıya mal oluyorsa (parçaları otomatik reddetme, personele uyarı gönderme): kesinliği eşik olarak kullan.
• Her sınıf eşit derecede önemliyse (sayım, envanter): hiçbir sınıf ortalamanın arkasına saklanamasın diye sınıf başına AP değerini eşik olarak kullan.

YOLO performans metrikleri kılavuzu her metriği açıklar. Ardından testi kod olarak yaz; böylece "yeterince iyi mi?" sorusu tartışma konusu olmaktan çıkar. Bu betik bugün önceden eğitilmiş bir modelle COCO8 demo veri kümesinde, daha sonra da kendi kontrol noktan ve ayrılmış test kümenle çalışır:

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

Her satırın gösterdiği:

• classes=[0] yalnızca person sınıfını puanlar; böylece diğer sınıflar sonucu yükseltemez. Kendi güvenlik sınıfı kimliğini kullan.
• Doğrulayıcı satırı, etiketlenmiş 10 kişi içeren 4 görüntü gösterir. mp ve mr, bu iki metriği en iyi dengeleyen güven eşiğindeki kesinlik ve duyarlılıktır (maksimum F1).
• Önceden eğitilmiş bir COCO modeli 10 kişiden 8'ini buluyor; dolayısıyla duyarlılık 0.80: kesin ama yeterince güvenli değil. Bu BAŞARISIZ sonucu, testin görevini yaptığını gösterir. Bu kursta BAŞARISIZ sonuç, hiperparametrelere değil veriye geri dönmeyi gerektirir.

v1'in neleri yapmayacağını yaz#

Hiçbir model kusursuz değildir; bu nedenle baştan kabul edilebilir kaçırmaları belirt: söz veremeyeceğin koşullar (yoğun sis, zifiri karanlık), karıştırılmasını tolere edeceğin benzer görünümlü nesneler ve v2'ye ertelenen nadir sınıflar. Bu satır, hedefini tutturan bir modelin yazılı olmayan %100 beklentisine göre değerlendirilmesini önler ve veri toplama ekibine henüz hangi konulara emek harcamaması gerektiğini söyler.