Skip to content

模型评估与微调的洞察

引言

在训练完你的计算机视觉模型后，对其进行评估和优化以实现最佳性能至关重要。仅仅训练模型是不够的。你需要确保模型准确、高效，并满足计算机视觉项目的目标。通过评估和微调模型，你可以识别弱点，提高其准确性，并提升整体性能。

在本指南中，我们将分享关于模型评估和微调的见解，使这一计算机视觉项目步骤更加易于理解。我们将讨论如何理解评估指标并实施微调技术，为你提供提升模型能力的知识。

使用指标评估模型性能

评估模型表现的好坏有助于我们了解其工作效果。各种指标用于衡量性能。这些性能指标提供了清晰的数值洞察，可以指导改进，确保模型达到其预期目标。让我们更详细地了解几个关键指标。

置信度分数

置信度分数表示模型对检测到的对象属于特定类别的确定程度。其范围从0到1，分数越高表示置信度越高。置信度分数帮助过滤预测；只有置信度分数高于指定阈值的检测结果才被视为有效。

快速提示: 在运行推理时，如果你没有看到任何预测结果，并且已经检查了其他所有内容，尝试降低置信度分数。有时，阈值设置过高，导致模型忽略有效的预测。降低分数使模型能够考虑更多可能性。这可能不符合你的项目目标，但这是一个了解模型能力并决定如何微调的好方法。

交并比

交并比（IoU）是目标检测中的一个指标，用于衡量预测的边界框与真实边界框的重叠程度。IoU值范围从0到1，1表示完全匹配。IoU至关重要，因为它衡量预测边界与实际对象边界的接近程度。

交并比概述

平均精度均值

平均精度均值（mAP）是一种衡量目标检测模型表现的方法。它考察每个对象类别的检测精度，平均这些分数，并给出一个总体数值，显示模型识别和分类对象的准确性。

让我们关注两个特定的mAP指标：

  • mAP@.5: 在单个IoU（交并比）阈值0.5处测量平均精度。该指标检查模型是否能在较宽松的准确性要求下正确找到对象。它关注对象是否大致在正确位置，不需要完美放置。它有助于了解模型是否总体上擅长发现对象。
  • mAP@.5:.95: 在多个IoU阈值（从0.5到0.95，以0.05为增量）处计算的mAP值的平均值。该指标更为详细和严格。它提供了模型在不同严格程度下准确发现对象的更全面图景，特别适用于需要精确目标检测的应用。

其他mAP指标包括mAP@0.75，使用更严格的IoU阈值0.75，以及mAP@small、medium和large，评估不同大小对象的精度。

平均精度均值概述

评估YOLO11模型性能

关于YOLO11，您可以使用验证模式来评估模型。此外，请务必查看我们深入探讨YOLO11性能指标及其如何解释的指南。

常见社区问题

在评估您的YOLO11模型时，您可能会遇到一些问题。根据常见社区问题，以下是一些帮助您充分利用YOLO11模型的提示：

处理可变图像尺寸

使用不同尺寸的图像评估您的YOLO11模型可以帮助您了解其在多样化数据集上的性能。使用rect=true验证参数，YOLO11根据图像尺寸调整每个批次网络的步幅，使模型能够处理矩形图像而无需强制将其调整为单一尺寸。

imgsz验证参数设置图像调整大小的最大维度，默认为640。您可以根据数据集的最大尺寸和可用的GPU内存进行调整。即使设置了imgsz，rect=true也能通过动态调整步幅使模型有效管理不同尺寸的图像。

访问YOLO11指标

如果您想更深入地了解YOLO11模型的性能，您可以通过几行Python代码轻松访问特定的评估指标。以下代码片段将允许您加载模型、运行评估并打印出各种指标，显示模型的表现如何。

用法

from ultralytics import YOLO

# 加载模型
model = YOLO("yolo11n.pt")

# 运行评估
results = model.val(data="coco8.yaml")

# 打印特定指标
print("平均精度对应的类别索引:", results.ap_class_index)
print("所有类别的平均精度:", results.box.all_ap)
print("平均精度:", results.box.ap)
print("在IoU=0.50时的平均精度:", results.box.ap50)
print("平均精度对应的类别索引:", results.box.ap_class_index)
print("类别特定的结果:", results.box.class_result)
print("F1分数:", results.box.f1)
print("F1分数曲线:", results.box.f1_curve)
print("整体适应度分数:", results.box.fitness)
print("平均平均精度:", results.box.map)
print("在IoU=0.50时的平均平均精度:", results.box.map50)
print("在IoU=0.75时的平均平均精度:", results.box.map75)
print("不同IoU阈值下的平均平均精度:", results.box.maps)
print("不同指标的平均结果:", results.box.mean_results)
print("平均精度:", results.box.mp)
print("平均召回率:", results.box.mr)
print("精度:", results.box.p)
print("精度曲线:", results.box.p_curve)
print("精度值:", results.box.prec_values)
print("特定的精度指标:", results.box.px)
print("召回率:", results.box.r)
print("召回率曲线:", results.box.r_curve)

结果对象还包括预处理时间、推理时间、损失和后处理时间等速度指标。通过分析这些指标，您可以微调和优化您的YOLO11模型以获得更好的性能，使其在特定用例中更有效。

微调是如何工作的？

微调涉及采用预训练模型并调整其参数以提高在特定任务或数据集上的性能。这个过程也称为模型再训练，使模型能够更好地理解和预测其在实际应用中遇到的具体数据的输出。您可以根据模型评估结果重新训练模型以达到最佳效果。

微调模型的技巧

微调模型意味着密切关注几个关键参数和技术以实现最佳性能。以下是一些指导您完成此过程的基本技巧。

从较高的学习率开始

通常，在初始训练epoch期间，学习率从低开始并逐渐增加以稳定训练过程。然而，由于您的模型已经从前一个数据集中学习了一些特征，直接从较高的学习率开始可能更有益。

在评估您的YOLO11模型时，您可以将warmup_epochs验证参数设置为warmup_epochs=0，以防止学习率开始过高。通过遵循此过程，训练将从提供的权重继续，调整到新数据的细微差别。

小目标的图像分块

图像分块可以提高对小目标的检测精度。通过将较大的图像分割成较小的片段，例如将1280x1280的图像分割成多个640x640的片段，您可以保持原始分辨率，并且模型可以从高分辨率的片段中学习。在使用YOLO11时，请确保为这些新片段正确调整标签。

参与社区

与其他计算机视觉爱好者分享您的想法和问题，可以激发解决项目中障碍的创意解决方案。以下是一些学习、故障排除和连接的绝佳方式。

寻求帮助和支持

  • GitHub Issues: 探索YOLO11的GitHub仓库，并使用Issues标签提出问题、报告错误和建议功能。社区和维护者随时准备帮助您解决遇到的任何问题。
  • Ultralytics Discord服务器: 加入Ultralytics Discord服务器，与其他用户和开发者联系，获取支持，分享知识，并集思广益。

官方文档

  • Ultralytics YOLO11文档: 查看官方YOLO11文档，获取关于各种计算机视觉任务和项目的全面指南和宝贵见解。

最后的思考

评估和微调您的计算机视觉模型是成功模型部署的重要步骤。这些步骤有助于确保您的模型准确、高效，并适合您的整体应用。训练最佳模型的关键是持续的实验和学习。不要犹豫调整参数，尝试新技术，并探索不同的数据集。继续实验，推动可能性的边界！

常见问题

评估YOLO11模型性能的关键指标是什么？

要评估YOLO11模型性能，重要的指标包括置信度分数、交并比（IoU）和平均精度均值（mAP）。置信度分数衡量模型对每个检测对象类别的确定性。IoU评估预测边界框与真实边界框的重叠程度。平均精度均值（mAP）汇总了各个类别的精度分数，mAP@.5和mAP@.5:.95是两种常见的类型，适用于不同的IoU阈值。在我们的YOLO11性能指标指南中了解更多关于这些指标的信息。

如何为我的特定数据集微调预训练的YOLO11模型？

微调预训练的YOLO11模型涉及调整其参数以提高特定任务或数据集上的性能。首先使用指标评估您的模型，然后通过将warmup_epochs参数调整为0来设置更高的初始学习率，以实现即时稳定性。使用rect=true等参数有效处理不同图像尺寸。更多详细指导，请参阅我们的微调YOLO11模型部分。

在评估我的YOLO11模型时，如何处理可变图像尺寸？

在评估过程中处理可变图像尺寸时，使用YOLO11中的rect=true参数，该参数根据图像尺寸调整每个批次网络的步幅。imgsz参数设置图像调整大小的最大尺寸，默认为640。根据您的数据集和GPU内存调整imgsz。更多详情，请访问我们的处理可变图像尺寸部分。

我可以采取哪些实际步骤来提高我的YOLO11模型的平均精度均值？

提高YOLO11模型的平均精度均值（mAP）涉及以下几个步骤：

  1. 调整超参数: 尝试不同的学习率、批量大小和图像增强。
  2. 数据增强: 使用Mosaic和MixUp等技术创建多样化的训练样本。
  3. 图像分块: 将较大的图像分割成较小的块，以提高对小目标的检测精度。 请参阅我们的模型微调详细指南，了解具体策略。

如何在Python中访问YOLO11模型的评估指标？

您可以使用以下步骤在Python中访问YOLO11模型的评估指标：

用法

```python from ultralytics import YOLO

加载模型

model = YOLO("yolo11n.pt")

运行评估

results = model.val(data="coco8.yaml")

打印特定指标

print("具有平均精度的类别索引:", results.ap_class_index) print("所有类别的平均精度:", results.box.all_ap) print("IoU=0.50时的平均精度均值:", results.box.map50) print("平均召回率:", results.box.mr)

```

分析这些指标有助于微调和优化您的YOLO11模型。如需深入了解，请查看我们的YOLO11指标指南。 ```


📅 Created 3 months ago ✏️ Updated 13 days ago
UltralyticsAssistant glenn-jocher MatthewNoyce RizwanMunawar Laughing-q abirami-vina

Comments