Test Verisi

Test Verileri, makine öğrenimi (ML) modelinin nihai performansını değerlendirmek için özel olarak ayrılmış, daha büyük bir veri kümesinin belirli bir alt kümesidir. Önceki öğrenme aşamalarında kullanılan verilerin aksine, test verileri geliştirme döngüsünün sonuna kadar algoritma tarafından tamamen "görünmez" kalır. Bu izolasyon, bilgisayar görme (CV) modelinin veya diğer AI sisteminin yeni, gerçek dünya girdilerine ne kadar iyi genelleme yapacağını Bu izolasyon, bir bilgisayar görme (CV) modelinin veya diğer AI sistemlerinin yeni, gerçek dünya girdilerine ne kadar iyi genelleme yapacağını tarafsız bir şekilde değerlendirmek için çok önemlidir. Test verileri, üretim ortamını simüle ederek, geliştiricilerin modellerinin sadece eğitim örneklerini ezberlemek yerine, altta yatan kalıpları gerçekten öğrendiğini doğrulamasına yardımcı olur.

ML Yaşam Döngüsünde Test Verilerinin Rolü

Standart makine öğrenimi iş akışında, veriler genellikle her biri kendine özgü bir amaca hizmet eden üç farklı kategoriye ayrılır. Bu ayrımlar arasındaki farkı anlamak, sağlam yapay zeka (AI) sistemleri oluşturmak için hayati önem taşır.

• Eğitim Verileri: Bu, veri kümesinin en büyük kısmıdır ve modeli öğretmek için kullanılır. Algoritma, bu belirli örnek kümesindeki hataları en aza indirmek için iç parametrelerini veya ağırlıklarını yinelemeli olarak ayarlar .
• Doğrulama Verileri: Bu alt küme, eğitim sürecinde hiperparametreleri ayarlamak ve mimari kararlarını yönlendirmek için sıklıkla kullanılır. Modelin eğitim verilerinde iyi performans gösterdiği, ancak yeni verilerde başarısız olduğu aşırı uyumlamayı önlemek için ara kontrol görevi görür.
• Test Verileri: Bu, model için son "sınav"dır. Ağırlıkları güncellemek veya ayarları yapmak için asla kullanılmaz. Test verileri üzerinde yapılan değerlendirme, doğruluk, geri çağırma ve Ortalama Ortalama Hassasiyet (mAP) gibi kesin performans ölçütleri sağlar. Paydaşlar, bir modelin model dağıtımı için hazır olup olmadığına karar vermek için bu ölçütleri kullanır.

Bu ayrımları doğru bir şekilde yönetmek, genellikle Ultralytics gibi araçlarla kolaylaştırılır. Bu araçlar, yüklenen veri kümelerini otomatik olarak bu temel kategorilere göre düzenleyerek titiz bir model değerlendirmesi sağlar.

Tarafsız Değerlendirmenin Önemi

Test verilerinin temel değeri, veri setindeki önyargı ve varyans sorunlarını detect yeteneğinde yatmaktadır. Bir model, eğitim verilerinde %99 doğruluk oranına ulaşırken test verilerinde sadece %60 doğruluk oranına ulaşıyorsa, bu yüksek varyans (aşırı uyum) olduğunu gösterir. Tersine, her ikisinde de düşük performans, yetersiz uyum olduğunu gösterir. Test verileri, modelin gerçek verilerle ne kadar uyumlu olduğunu anlamak için kullanılır.

Belirlenmiş bir test seti kullanmak, tekrar edilebilirlik ve nesnellik gibi bilimsel ilkelere uygundur. Saf bir test seti olmadan, geliştiriciler "teste göre öğretme" riskine girerler ve bu da değerlendirme aşamasından eğitim aşamasına bilgi sızdırılmasına neden olur. Bu durum, veri sızıntısı olarak bilinir. Bu da, model gerçek dünya verileriyle karşılaştığında çökücü, aşırı iyimser performans tahminlerine yol açar.

Gerçek Dünya Uygulamaları

Test verileri, sistemler devreye girmeden önce güvenlik ve güvenilirliği sağlamak için yapay zeka kullanan tüm sektörlerde çok önemlidir.

• Otonom Sürüş: Otonom araçların geliştirilmesinde eğitim verileri, açık havada sürülmüş milyonlarca otoyol kilometresi içerebilir. Ancak test verileri, ağır kar yağışı, ani engeller veya kafa karıştırıcı yol işaretleri gibi, aracın eğitim sırasında açıkça "görmediği" nadir ve zorlu senaryoları içermelidir. Bu, nesne algılama sisteminin öngörülemeyen ortamlarda güvenli bir şekilde tepki verebilmesini sağlar.
• Sağlık Teşhisi: Tıbbi görüntülemede tümör tespiti için bir model oluştururken, eğitim seti belirli bir hastanenin veritabanından alınabilir. Modelin genel kullanım için sağlam ve güvenli olduğunu doğrulamak için, test verileri ideal olarak farklı hastanelerden, farklı makinelerle çekilmiş ve çeşitli hasta demografisini temsil eden taramalardan oluşmalıdır. Bu harici doğrulama, AI'nın belirli bir ekipman türüne veya popülasyona önyargılı olmadığını teyit eder.

Kod ile Performansı Değerlendirme

Kullanarak ultralytics paketini kullanarak, bir modelin performansını tutulan veri seti üzerinde kolayca değerlendirebilirsiniz. Bu val modu genellikle eğitim sırasında doğrulama için kullanılır, ancak belirli bir test bölümünde çalışacak şekilde de yapılandırılabilir. veri kümesi YAML yapılandırması.

Önceden eğitilmiş bir YOLO26 modelini değerlendirerek mAP50 gibi metrikleri elde etmek için aşağıdaki adımları izleyin:

from ultralytics import YOLO

# Load a pre-trained YOLO26 model
model = YOLO("yolo26n.pt")

# Evaluate the model's performance on the validation set
# (Note: In a strict testing workflow, you would point 'data'
# to a YAML that defines a specific 'test' split and use split='test')
metrics = model.val(data="coco8.yaml")

# Print a specific metric, e.g., mAP at 50-95% IoU
print(f"Mean Average Precision (mAP50-95): {metrics.box.map}")

Bu süreç, kapsamlı metrikler oluşturarak geliştiricilerin YOLO26 ile YOLO11 gibi farklı mimarileri objektif olarak karşılaştırmasına ve seçilen çözümün projenin tanımlanmış hedeflerini karşıladığından emin olmasına olanak tanır. Kapsamlı testler, yüksek kaliteli AI güvenlik standartlarının karşılanmasını sağlamak için son kontrol aşamasıdır. YOLO11