Doğrula ve Teşhis Et

Uygulamalı Örnek: best.pt Dosyasını Doğrula#

from ultralytics import YOLO

model = YOLO("runs/detect/pills_v1/weights/best.pt")
metrics = model.val(data="my_dataset/data.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}")

val.py komutundan gerçek çıktı:

precision 0.970  recall 0.957
mAP50 0.977  mAP50-95 0.659

Grafikler yeni bir runs/detect/val klasörüne kaydedilir (ardından val-2, ...). Değerleri başlangıç değerinin yanına yaz:

Sayılar ne söylüyor:

• Precision 0.970, recall 0.957: dengeli. Az sayıda yanlış alarm ve az sayıda kaçırma var.
• mAP50 0.977: örtüşme koşulu gevşek olduğunda model neredeyse tüm hapları buluyor.
• mAP50-95 0.659: örtüşme koşulu katı olduğunda kutuların çoğu yeterince sıkı değil. Bu kadar büyük bir fark, veri eksikliğinden ziyade konumlandırma sorununa işaret ediyor — daha fazla epoch, daha büyük bir imgsz veya daha sıkı etiketler.

precision, recall ve mAP arasındaki ödünleşimleri öğrenmek için Tespit Metriklerini Dürüstçe Okuma sayfasına bak.

Hangi Sorunun Yanıtını Hangi Dosyanın Verdiğini Öğren#

Karışıklık Matrisini Oku#

Karışıklık matrisi, en yararlı tek tanı aracıdır. Ultralytics grafiklerinde sütunlar gerçek sınıfı, satırlar ise tahmin edilen sınıfı gösterir; ayrıca bir background satırı ve sütunu bulunur. Normalize edilmiş sürüm, her sütunu toplamına böler; böylece her sütun o sınıfa ait nesnelerin nereye gittiğini gösterir. Hap veri kümesinde tek bir sınıf var, bu yüzden alıştırma için üç sınıflı şu depo örneğini kullan (temsili sayılar):

• Köşegen: doğru algılanan her sınıfın oranı. 0.65 ile palet, zayıf sınıftır.
• Köşegen dışı: karışıklıklar. Gerçek paletlerin %18'i forklift, forkliftlerin %10'u palet olarak tahmin edildi.
• Arka plan satırı: kaçırmalar. Paletlerin %17'si hiç algılanmadı.
• Arka plan sütunu: boş alana çizilen kutular, yani yanlış pozitifler. Bunların %45'i forklift olarak sınıflandırıldı.

Her hücre türü, uygulanacak bir düzeltmeye karşılık gelir:

Sınıf Başına Sayıları Oku#

Birden fazla sınıf varsa doğrulama günlüğünde her sınıf için bir satır yazdırılır; metrics.box.maps ise kodda sınıf başına mAP50-95 değerlerini içerir. Depo örneğine devam edelim:

                 Class     Images  Instances      Box(P          R      mAP50  mAP50-95)
                   all         50        102       0.78       0.71       0.74       0.51
              forklift         30         45       0.85       0.78       0.81       0.58
                person         40         50       0.92       0.88       0.91       0.64
                pallet          5          7       0.58       0.48       0.51       0.31

pallet diğerlerinden çok daha düşük ve doğrulama kümesinde yalnızca 7 örneği var. Ya model paletleri iyi algılayamıyor ya da bunu anlayabilmek için doğrulama verisi çok az. Her iki durumda da atılacak adım aynı: eğitim ve doğrulama için daha fazla palet topla.

Hataları İncele#

val_batch0_labels.jpg ile val_batch0_pred.jpg dosyalarını yan yana aç. Aralarındaki farklar, hatalarının görsel hâlidir; bu görsellerdeki örüntüler ise tanıyı ortaya koyar: görüntü kenarındaki kaçırmalar, küçük nesneler, belirli bir ışık koşulu veya birbirine benzeyen nesneler. Bu tür veri kümesi örüntüleri, neredeyse her zaman hiperparametre ayarından daha etkilidir.

Hap modelinin doğrulama görüntülerinde açıkça görünen hapların güven puanı 1.0'a yakındır. Yaklaşık 0.3–0.5 puan alan düşük güvenli kutular, kısmen başka bir blister ambalajın altında kalan ve görüntü kenarında kesilen haplarda yoğunlaşıyor. Bu, conf ile ayar yaparak çözülecek bir sorun değil; etiketleme politikasıyla ilgili bir soru. Yarı gizli bir hap sayılmalı mı? Karar ver, kuralı yaz ve her görüntüyü aynı şekilde etiketle.

Ardından results.png dosyasını aç. Eğitim ve doğrulama kayıpları birlikte düşmeli. Eğitim kaybı düşmeye devam ederken doğrulama kaybı yükseliyorsa model aşırı öğreniyordur; her ikisi de yüksek kalıyorsa model yetersiz öğreniyordur. Her iki durumu anlamak için bias-varyans ödünleşimi çerçevesini kullan.

Aşırı öğrenmeyi gidermek için, işe yarama sıklığına göre düzeltmeler: daha çeşitli veri; daha az epoch veya daha sıkı bir patience; ve veri artırma (hsv_h, degrees, translate, scale, fliplr, mosaic, ...). Veri artırma varsayılanları zaten güçlü; yalnızca sol ve sağ yönlerin önemli olduğu durumlarda fliplr özelliğini kapatmak gibi geçerli bir nedenin varsa değiştir.

Bulguları Bir Düzeltme Listesine Dönüştür#

Hiperparametreleri ayarlamadan önce veriyi düzelt ve neyin işe yaradığını anlayabilmek için her turda tek bir şeyi değiştir. Bu döngünün veri kümesi tarafı İlk İnce Ayar ve Yineleme Döngüsü sayfasında ele alınıyor.

Bu Hatalardan Kaçın#