results.csv  -  results.png

Ces documents contiennent les mêmes métriques, l’un sous forme de tableau csv, l’autre sous forme de graphiques.

• les  six courbes de gauche (les loss) : le modèle apprend et fait moins d’erreurs

Ces 6 courbes correspondent à l’erreur entre les prédictions et la vérité terrain, en haut pour l’entrainement et en bas pour la validation.

Lors d’un entrainement, il y a un phénomène auquel il faut faire attention : le surapprentissage (overfitting). Pour faire simple, cela signifie que le modèle est en train d’apprendre par cœur les données d’entrainement. 

Pourquoi cela est un problème ? Car le modèle ne saura pas généraliser, ne saura pas se débrouiller sur des données différentes de sa base d'entraînement.

Comment savoir si notre modèle a surappris ? Cela se voit avec les données de validation car le modèle ne surapprend pas sur celles là pour la simple et bonne raison qu'il ne s'entraine pas avec, il les utilise juste pour s'évaluer.

Donc quand vous regardez les courbes d’erreur, si celles de l’entrainement (celles en haut) continuent de descendre alors que celles de la validation (celles en bas) remontent au bout d’un moment, c’est signe que votre modèle surapprend car les pertes liées à la validation ré-augmentent.

Par exemple ci-dessus, on voit que les courbes de validation ne font que décroitre, donc c’est un signe que notre modèle généralise bien pour l’instant.

Si on constate du surapprentissage, quelles sont les conséquences ?

Comme vu précédemment, YOLO enregistre deux modèles : best.pt et last.pt. Dans last.pt vous retrouverez votre modèle qui a surappris. En revanche, dans best.pt, YOLO stocke les poids qui donnaient le meilleur résultat combiné de l’entrainement et de la validation, donc avant que le surapprentissage entre en jeu.

Donc si on a les poids avant le surapprentissage dans best.pt, quel est le problème du surapprentissage ? On peut le voir comme une consommation de ressource inutile car le modèle va trop loin. Ainsi, pour remédier à cela, on peut utiliser le paramètre “patience” qui permet de dire au modèle “si après x époques le modèle ne s’améliore plus (donc les poids de best.pt ne changent pas), alors arrête de t’entrainer” en passant x (un entier positif) comme paramètre de patience.

• les quatre courbes de droite (precision, recall, mAP50, mAP50-95) : le modèle devient plus performant

Elles permettent de voir si notre modèle a atteint son plein potentiel.

Ces courbes permettent de visualiser si le modèle s’améliore, donc un bon indicateur que le modèle est arrivé en fin de course est de regarder si ces courbes ont atteint un plateau. Dans ce cas là, on saura que notre modèle a atteint son état le plus performant et n’a plus de perspective d’amélioration.

Par exemple, dans le cas ci-dessus, on voit qu’après 20 époques, nos courbes sont encore en train de croitre donc on comprend que le modèle aurait besoin de plus d’époque pour se stabiliser.