ابدأ

التحقق من صحة النماذج باستخدام Ultralytics YOLO

Ultralytics YOLO ecosystem and integrations

مقدمة#

يُعد التحقق خطوة أساسية في مسار التعلّم الآلي، إذ يتيح لك تقييم جودة النماذج التي درّبتها. يوفر وضع التحقق في Ultralytics YOLO26 أدوات ومقاييس لتقييم نماذج اكتشاف العناصر وجميع المهام الأخرى المدعومة. يشرح هذا الدليل كيفية استخدام وضع التحقق للتأكد من دقة نماذجك وموثوقيتها.

اطّلع على معاينة YOLO27 غير المُصدرة للاطلاع على نتائج التحقق الأولية.



شاهد: شرح تعليمي لأنماط Ultralytics: التحقق

لماذا نتحقق باستخدام Ultralytics YOLO؟#

أسباب استخدام وضع التحقق في YOLO26:

  • الدقة: احصل على مقاييس دقيقة مثل mAP50 وmAP75 وmAP50-95 لتقييم نموذجك تقييمًا شاملًا.
  • السهولة: استخدم الميزات المضمّنة التي تحفظ إعدادات التدريب، مما يبسّط عملية التحقق.
  • المرونة: تحقّق من نموذجك باستخدام مجموعات البيانات وأحجام الصور نفسها أو مختلفة.
  • ضبط المعلمات الفائقة: استخدم مقاييس التحقق لضبط نموذجك بدقة وتحسين أدائه.

الميزات الرئيسية لوضع Val#

أبرز ميزات وضع التحقق في YOLO26:

  • الإعدادات التلقائية: تحفظ النماذج إعدادات التدريب الخاصة بها لتسهيل التحقق.
  • دعم مقاييس متعددة: قيّم نموذجك باستخدام مجموعة من مقاييس الدقة.
  • CLI وPython API: أجرِ التحقق من خلال واجهة سطر الأوامر أو Python API، حسب ما تفضّل.
  • التوافق مع البيانات: يعمل مع مجموعات البيانات المستخدمة أثناء التدريب، وكذلك مع مجموعات البيانات المخصّصة.
نصيحة
  • تحفظ نماذج YOLO26 إعدادات التدريب تلقائيًا، لذا يتحقق yolo val model=path/to/best.pt أو YOLO("path/to/best.pt").val() على حجم صور التدريب ضمن مجموعة البيانات الأصلية. وتعود الأوزان الرسمية إلى مجموعة البيانات الافتراضية للمهمة؛ مرّر data لتجاوز هذا الإعداد.

أمثلة الاستخدام#

تحقّق من دقة نموذج YOLO26n مدرّب. لا حاجة إلى وسائط، إذ يحتفظ model بمسار التدريب data ووسائطه بوصفها سمات للنموذج: يتحقق path/to/best.pt باستخدام مجموعة البيانات التي دُرّب عليها النموذج. تسجّل الأوزان الرسمية مسار مجموعة بيانات تدريب غير موجود على جهازك، لذا تعود إلى coco8.yaml الافتراضي للمهمة مع إصدار تحذير. مرّر data للتحقق باستخدام مجموعة بيانات أخرى.

خطأ تعدد العمليات في Windows

في Windows، قد تتلقى RuntimeError عند تشغيل التحقق على هيئة نص برمجي. أضف كتلة if __name__ == "__main__": قبل شيفرة التحقق لحل المشكلة.

مثال
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")  # ⁨حمّل نموذجًا رسميًا⁩
model = YOLO("path/to/best.pt")  # ⁨تحميل نموذج مخصص⁩

# ⁨تحقّق من النموذج⁩
metrics = model.val()  # ⁨لا حاجة إلى وسيطات؛ إذ تُحفظ مجموعة البيانات والإعدادات⁩
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # ⁨قيمة mAP50-95 لكل فئة؛ تحتفظ الفئات غير الموجودة في مجموعة التحقق بقيمة mAP الإجمالية⁩
metrics.box.ap_class_index  # ⁨فهارس الفئات التي جرى تقييمها فعليًا⁩
metrics.box.image_metrics  # ⁨قاموس المقاييس لكل صورة، ويشمل precision وrecall وF1 وTP وFP وFN⁩

وسيطات التحقق من نماذج YOLO#

عند التحقق من نماذج YOLO، يمكن تعديل عدة وسائط لتخصيص عملية التقييم. تتحكم هذه الوسائط في جوانب مثل حجم صورة الإدخال ومعالجة الدُفعات وحدود الأداء. يرد وصف كل وسيط أدناه.

المعاملالنوعالافتراضيالوصف
datastrNoneيحدد مسار ملف YAML لمجموعة البيانات (مثل coco8.yaml)، الذي ينبغي أن يتضمن مسار بيانات التحقق. أما التصنيف فيتطلب دليل مجموعة بيانات أو اسم مجموعة بيانات مضمنة (مثل imagenet10).
imgszint640يحدد حجم الصور المدخلة. تُغيّر أبعاد جميع الصور إلى هذا الحجم قبل المعالجة. قد تحسن الأحجام الأكبر الدقة للكائنات الصغيرة، لكنها تزيد وقت الحساب.
batchint16يحدد عدد الصور في كل دفعة. تستفيد القيم الأعلى من ذاكرة GPU بكفاءة أكبر، لكنها تتطلب مزيدًا من VRAM. اضبط القيمة وفقًا لموارد الأجهزة المتاحة.
tilebool أو intFalseينفّذ الاستدلال باستخدام رقع ثابتة، ويقيّم المخرجات المدمجة مقارنةً بالتعليقات التوضيحية للصورة الأصلية كاملةً. يستخدم True القيمة imgsz؛ ويحدّد العدد الصحيح الموجب حجم الرقعة. راجع تقسيم الصور عالية الدقة إلى رقع.
save_jsonboolFalseإذا كانت True، تُحفَظ النتائج في ملف JSON لمزيد من التحليل، أو للتكامل مع أدوات أخرى، أو لإرسالها إلى خوادم التقييم مثل COCO. في مجموعات بيانات الكشف، تُقيَّم التنبؤات أيضًا باستخدام faster-coco-eval، وتُعرض قيم mAP للأجسام الصغيرة والمتوسطة والكبيرة، وتُسجَّل أثناء التدريب باسم metrics/mAP_small(B) وmetrics/mAP_medium(B) وmetrics/mAP_large(B) في results.csv. أما في التجزئة الدلالية، فتُحفَظ أقنعة الفئات بصيغة PNG ضمن results/، مع الحفاظ على المجلدات الفرعية للصور.
conffloat0.001يحدد الحد الأدنى لعتبة الثقة للاكتشافات. تزيد القيم الأقل من الاستدعاء، لكنها قد تؤدي إلى مزيد من الإيجابيات الكاذبة. تستخدم منحنيات الدقة والاستدعاء وmAP ومصفوفات الالتباس للاكتشاف هذه القيمة؛ وتؤدي قيمة conf أعلى، مثل 0.25، إلى مصفوفة أقرب إلى مخرجات التنبؤ، لكنها قد تخفض mAP. وتستخدم قيمتا الدقة والاستدعاء الموجزتان قيمة الثقة المقابلة لأقصى F1، لذا قد تختلفان عن القيم المستنبطة من confusion_matrix.png. القيمة الافتراضية هي 0.01 للتحقق من OBB لتقليل استخدام الذاكرة.
ioufloat0.7يحدد عتبة التقاطع على الاتحاد في كبت غير الأعظمية. ويتحكم في إزالة الاكتشافات المكررة.
max_detint300يحدّد الحد الأقصى لعدد الكشوف لكل صورة. بالنسبة إلى الكشف والتقسيم والوضعية وOBB، إذا تُركت القيمة عند 300، فستُرفع إلى أكبر عدد للأجسام الموسومة في التقسيم الذي يجري التحقق منه عندما يتجاوزه عدد الأجسام في صورة ما، مع إصدار تحذير؛ أما أي قيمة أخرى فتبقى كما هي، مع تحذير من احتمال تقييد الاستدعاء عند تجاوز عدد الأجسام في صورة ما لها.
quantizeint أو strNoneدقة التحقق: تحدد 16/"fp16" و32/"fp32"/unset استخدام حساب FP16 أو FP32 لنماذج PyTorch وTorchScript (FP32 على CPU)؛ أما التنسيقات الأخرى فتستخدم الدقة التي يحددها الملف الاصطناعي وبيئة التشغيل. عند 16، يظل OpenVINO يقرّب الإدخال إلى FP16 على العميل ثم يوسّعه مجددًا إلى FP32، من دون تغيير دقة بيئة التشغيل. تُضبط عملية التكميم INT8/PTQ أثناء التصدير، ثم تُستخدم بالتحقق من النموذج المُصدَّر. يحل هذا الخيار محل العلامة half المهملة.
devicestrNoneيحدّد جهاز التحقق (cpu أو cuda:0 أو npu أو npu:0، إلخ). عند استخدام None، يُختار أفضل جهاز متاح تلقائيًا. يمكن تحديد عدة أجهزة CUDA بفصلها بفواصل. تعمل نماذج OpenVINO وLiteRT باستخدام xpu وnpu على وحدة GPU وNPU من Intel؛ راجع أجهزة الاستدلال للاطلاع على كل تنسيق.
dnnboolFalseإذا كان True، فسيستخدم وحدة DNN في OpenCV لاستدلال نماذج ONNX، بوصفها بديلًا لأساليب الاستدلال باستخدام PyTorch.
plotsboolTrueعند ضبطه على True، ينشئ مخططات التنبؤات مقارنةً بالحقيقة المرجعية ومصفوفات الالتباس ومنحنيات PR ويحفظها، لتقييم أداء النموذج بصريًا.
classeslist[int]Noneيحدد قائمة بمعرّفات الفئات المطلوب تقييمها. يفيد ذلك في استبعاد فئات معينة والتركيز عليها فقط أثناء التقييم.
rectboolTrueإذا كان True، فإنه يجمع الدفعات ذات نسب الأبعاد المتشابهة في أشكال مستطيلة. يضيف نصف خطوة قبل تقريب كل بُعد إلى مضاعف للخطوة (من دون نصف خطوة إضافي في semantic). عند استخدام خطوة مقدارها 32، تصبح صورة بدقة 640×640 عند imgsz=640 بدقة 672×672 مع إزاحة قدرها 16 px، بينما يستخدم predict دقة 640×640، ولذلك قد تختلف المقاييس. يطابق rect=False predict للصور المربعة. يُتجاهل ذلك في depth وRT-DETR، اللذين يمددان الصور إلى مربع imgsz.
splitstr'val'يحدد جزء مجموعة البيانات المستخدم للتحقق (val أو test أو train). ويتيح مرونة اختيار قسم البيانات المستخدم لتقييم الأداء.
fractionfloat أو int أو list1.0مجموعة فرعية من الجزء الذي يجري التحقق منه. مع قائمة [train, val, test]، يُطبّق العنصر المطابق لـsplit (1 = الجزء كاملًا، والأعداد الصحيحة الأكبر من 1 = أعداد الصور؛ والعناصر المحذوفة تعني الجزء كاملًا). لا تنطبق القيمة المفردة إلا مع split=train؛ ويستخدم val وtest الجزء كاملًا حينئذ.
projectstrNoneاسم مجلد المشروع الذي تُحفظ فيه مخرجات التحقق. يُوضَع المسار النسبي ضمن runs_dir/<task>، بينما يُستخدم المسار المطلق كما هو.
namestrNoneاسم تشغيل التحقق. يُستخدم لإنشاء دليل فرعي ضمن مجلد المشروع، حيث تُخزّن سجلات التحقق ومخرجاته.
verboseboolTrueإذا كان True، يعرض معلومات مفصلة أثناء عملية التحقق، بما في ذلك المقاييس لكل فئة وتقدم الدفعات ومعلومات إضافية لتصحيح الأخطاء.
save_txtboolFalseإذا كان True، تُحفظ نتائج الاكتشاف في ملفات نصية، ملف واحد لكل صورة، ما يفيد في إجراء مزيد من التحليل أو المعالجة اللاحقة المخصصة أو التكامل مع أنظمة أخرى.
save_confboolFalseإذا كان True، تُضمّن قيم الثقة في الملفات النصية المحفوظة عند تفعيل save_txt، ما يوفر مخرجات أكثر تفصيلًا للتحليل والترشيح.
workersint8عدد سلاسل العمليات العاملة لتحميل البيانات. قد تسرّع القيم الأعلى المعالجة المسبقة للبيانات، لكنها قد تزيد استخدام CPU. يؤدي ضبط القيمة على 0 إلى استخدام سلسلة العمليات الرئيسية، ما قد يكون أكثر استقرارًا في بعض البيئات.
augmentboolFalseيفعّل زيادة البيانات وقت الاختبار (TTA) أثناء التحقق، ما قد يحسن دقة الاكتشاف على حساب سرعة الاستدلال، وذلك بإجراء الاستدلال على نسخ محوّلة من المدخل. متاح فقط لنماذج Ultralytics المعتمدة على PyTorch.
agnostic_nmsboolFalseيفعّل قمع الصناديق غير القصوى غير المرتبط بالفئات، فيثبط الصناديق المتداخلة الأقل تقييمًا بصرف النظر عن الفئة المتوقعة. وهو مفيد للتطبيقات التي تركز على المثيلات. مع الاستدلال من دون NMS (nms=False على YOLO26 أو YOLOv10)، لا تفعل هذه الخاصية سوى منع ظهور الكشف نفسه بتسميات فئات متعددة (التكرارات عند IoU=1.0)، ولا تطبّق القمع القائم على عتبة IoU بين الصناديق المختلفة.
single_clsboolFalseيعامل جميع الفئات على أنها فئة واحدة أثناء التحقق. يفيد ذلك في تقييم أداء النموذج في مهام الاكتشاف الثنائي أو عندما لا تكون الفروق بين الفئات مهمة.
visualizeboolFalseيعرض الحقائق المرجعية والإيجابيات الحقيقية والإيجابيات الكاذبة والسلبيات الكاذبة لكل صورة. يفيد ذلك في تصحيح الأخطاء وتفسير النموذج.
show_labelsboolTrueيعرض تسميات الفئات في مرئيات التحقق عند ضبط visualize=True. اضبطه على False للحصول على عرض أوضح للتطابقات والأخطاء.
show_confboolTrueيعرض درجات الثقة في مرئيات التحقق عند ضبط visualize=True. اضبطه على False للحصول على عرض أوضح للتطابقات والأخطاء.
compilebool أو strFalseيتيح تجميع رسوم torch.compile في PyTorch 2.x باستخدام backend='inductor'. يقبل True → "default"، أو False لتعطيله، أو وضعًا نصيًا مثل "default"، "reduce-overhead"، "max-autotune-no-cudagraphs". ويعود إلى التنفيذ الفوري مع تحذير إذا لم يكن مدعومًا.
channels_lastboolNoneيستخدم تنسيق الذاكرة channels_last (NHWC) للتحقق الأصلي باستخدام PyTorch. يفعّله None تلقائيًا على وحدات CPU بمعمارية x86 في Linux وWindows التي تدعم oneDNN، مع PyTorch 1.13 أو أحدث؛ ويعطّله False، بينما يطلبه True على أجهزة CPU بمعمارية x86 أو أجهزة CUDA المدعومة. لا تتغير الإعدادات على ARM64 وMPS وإصدارات PyTorch الأقدم ووحدات CPU التي لا تدعم oneDNN والتنسيقات المصدّرة؛ ويحافظ التحقق أثناء التدريب على تخطيط نموذج التدريب.
nmsbool، اختياريNoneيجري افتراضيًا استدلالًا من واحد إلى متعدد باستخدام NMS (None أو True). اضبط False لاستخدام الرأس أحادي إلى واحد الخالي من NMS عند توفره. راجع دليل الاكتشاف الشامل لمزيد من التفاصيل.

يساعدك ضبط هذه الإعدادات وفق احتياجاتك ومواردك على تحقيق التوازن المناسب بين دقة التقييم وسرعته.

هندسة التحقق المستطيل (rect)#

تستخدم عمليات التصدير الثابتة شكل الإدخال المسجّل (height, width)، بما في ذلك عمليات التصدير غير المربعة، للتحقق من الصحة. على سبيل المثال، يستخدم YOLO("yolo26n.onnx").val(data="coco8.yaml") إدخالًا 384×640 إذا صُدّر النموذج باستخدام imgsz=(384, 640).

في مهام الكشف، وتقسيم الكائنات، وتقدير الوضعيات، وOBB، يقرّب التحقق المستطيل (rect=True) أبعاد كل دفعة إلى الأعلى باستخدام ceil(shape * imgsz / stride + 0.5) * stride، حيث يشير shape إلى الارتفاع أو العرض المُطبَّع للدفعة. يُقسَّم الحشو الناتج بالتساوي بين الجانبين المتقابلين. على سبيل المثال، عند التحقق من صورة مربعة بحجم 640×640 باستخدام imgsz=640 وبخطوة 32، يكون حجم الإدخال 672×672 مع حشو قدره 16 بكسل على كل جانب، بينما يستخدم predict() حجم 640×640 من دون حشو.

يمكن أن يؤثر هذا الاختلاف في مقاييس التحقق. بالنسبة إلى المدخلات المربعة والمحاذية للخطوة، يطابق model.val(rect=False) هندسة predict() والتصدير ذي الأبعاد الثابتة والمربعة. أثناء التدريب، تستخدم مهام YOLO هذه دفعات تحقق مستطيلة بصرف النظر عن إعداد التدريب rect، لذا يظل model.train(rect=False) يختار best.pt باستخدام التحقق المستطيل. تختلف المهام الأخرى: لا يضيف التقسيم الدلالي حشوًا إضافيًا للتحقق، ويعطّل تقدير العمق التحقق المستطيل، وتتجاهل مهمة التصنيف rect، بينما يستخدم RT-DETR منشئ مجموعة بيانات خاصًا به مع rect=False.

مثال على التحقق باستخدام الوسيطات#



شاهد: كيفية تصدير نتائج التحقق من النموذج إلى CSV وJSON وSQL وإطار بيانات Polars والمزيد

Explore model validation and different export methods in Google Colab

تشغّل الأمثلة أدناه التحقق من نموذج YOLO باستخدام وسائط مخصّصة في Python وCLI.

مثال
from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")

# ⁨خصّص إعدادات التحقق⁩
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")
تصدير ConfusionMatrix

يمكنك أيضًا تصدير نتائج مصفوفة الالتباس بتنسيقات مختلفة، مثل إطار بيانات:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())
الدقة والاستدعاء وF1 لكل صورة

يخزّن التحقق مقاييس الدقة والاستدعاء وF1 وTP وFP وFN لكل صورة (عند عتبة IoU تبلغ 0.5). يمكنك الوصول إليها عبر results.box.image_metrics لمهام الكشف وOBB، وresults.seg.image_metrics لمهمة التجزئة، وresults.pose.image_metrics لمهمة تقدير الوضعية بعد اكتمال التحقق.

from ultralytics import YOLO

# ⁨تحميل نموذج⁩
model = YOLO("yolo26n.pt")

# ⁨تحقّق من النموذج واطّلع على المقاييس لكل صورة⁩
results = model.val(data="coco8.yaml")

# ⁨المفاتيح هي مسارات نسبةً إلى دليل الصور المشترك، مثل 'image1.jpg' أو 'a/image1.jpg'⁩
print(results.box.image_metrics)
# ⁨المخرجات: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}⁩

# ⁨اطّلع على مقاييس صورة محددة⁩
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

يحتوي كل إدخال في image_metrics على المفاتيح التالية:

المفتاحالوصف
precisionقيمة الدقة للصورة (tp / (tp + fp)).
recallقيمة الاستدعاء للصورة (tp / (tp + fn)).
f1المتوسط التوافقي للدقة والاستدعاء.
tpعدد الإيجابيات الحقيقية للصورة.
fpعدد الإيجابيات الكاذبة للصورة.
fnعدد السلبيات الكاذبة للصورة.

تتوفر هذه الميزة لمهام الكشف والتجزئة وتقدير الوضعية وOBB.

يتيح كائن المقاييس المُعاد أيضًا وسائل مساعدة للتصدير من DataExportMixin لإجراء التحليلات اللاحقة:

الطريقةنوع القيمة المُعادةالوصف
summary()List[Dict[str, Any]]تُرجع نتائج التحقق في صورة قائمة من القواميس، قاموس واحد لكل صف.
to_df()DataFrameتعيد نتائج التحقق في صورة إطار بيانات Polars منظّم.
to_csv()strتصدّر نتائج التحقق بتنسيق CSV وتعيد سلسلة CSV.
to_json()strتصدّر نتائج التحقق بتنسيق JSON وتعيد سلسلة JSON.

تتضمن نتائج الكشف والتجزئة والتجزئة الدلالية وتقدير الوضع وOBB صفًا واحدًا لكل فئة في تسميات التحقق، لذا تُصدّر to_csv() وto_json() المقاييس لكل فئة:

المهمةالأعمدة لكل فئة
الكشفClass, Images, Instances, Box-P, Box-R, Box-F1, mAP50, mAP75, mAP50-95
التجزئةأعمدة الكشف، ثم Mask-P وMask-R وMask-F1 وMask-mAP50 وMask-mAP75 وMask-mAP50-95
دلاليClass وImages وPixels وIoU وmIoU وpixel_acc (كلاهما على المستوى العام)، وclass_pixel_acc
تقدير الوضعأعمدة الكشف، ثم Pose-P وPose-R وPose-F1 وPose-mAP50 وPose-mAP75 وPose-mAP50-95
obbأعمدة الكشف

يُرجع تقدير العمق صفًا واحدًا يتضمن delta1 وdelta2 وdelta3 وabs_rel وrmse وsilog، ويُرجع التصنيف صفًا واحدًا يتضمن top1_acc وtop5_acc.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
metrics = model.val(data="coco8-seg.yaml")
metrics.to_csv()  # ⁨صف واحد لكل فئة، مع مقاييس الصناديق والأقنعة⁩

ما الخطوة التالية؟#

هل أنت راضٍ عن المقاييس؟ صدّر النموذج إلى تنسيق ملائم للنشر. إذا لم تكن الدقة كافية، عُد وأعِد التدريب باستخدام معلمات فائقة مختلفة أو مزيد من بيانات التدريب.

الأسئلة الشائعة#

  • للتحقق من نموذج YOLO26، يمكنك استخدام وضع Val الذي توفره Ultralytics. على سبيل المثال، باستخدام واجهة Python البرمجية، يمكنك تحميل نموذج وتشغيل التحقق كما يلي:

    from ultralytics import YOLO
    
    # ⁨تحميل نموذج⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تحقّق من النموذج⁩
    metrics = model.val()
    print(metrics.box.map)  # map50-95

    بدلًا من ذلك، يمكنك استخدام واجهة سطر الأوامر (CLI):

    yolo detect val model=yolo26n.pt data=coco8.yaml

    لمزيد من التخصيص، يمكنك ضبط وسيطات مختلفة مثل imgsz وbatch وconf في Python وواجهة CLI. راجع قسم وسيطات التحقق من نماذج YOLO للاطلاع على القائمة الكاملة للمعلمات.

  • يوفّر التحقق من نموذج YOLO26 عدة مقاييس أساسية لتقييم أداء النموذج، ومنها:

    • mAP50 (متوسط الدقة المتوسطة عند عتبة IoU مقدارها 0.5)
    • mAP75 (متوسط الدقة المتوسطة عند عتبة IoU مقدارها 0.75)
    • mAP50-95 (متوسط الدقة المتوسطة عبر عتبات IoU متعددة من 0.5 إلى 0.95)

    باستخدام واجهة Python البرمجية، يمكنك الوصول إلى هذه المقاييس كما يلي:

    metrics = model.val()  # ⁨يفترض أن `model` قد تم تحميله⁩
    print(metrics.box.map)  # mAP50-95
    print(metrics.box.map50)  # mAP50
    print(metrics.box.map75)  # mAP75
    print(metrics.box.maps)  # ⁨قيمة mAP50-95 لكل فئة؛ تحتفظ الفئات غير الموجودة في مجموعة التحقق بقيمة mAP الإجمالية⁩
    print(metrics.box.ap_class_index)  # ⁨فهارس الفئات التي جرى تقييمها فعليًا⁩
    print(metrics.box.image_metrics)  # ⁨قاموس المقاييس لكل صورة، ويشمل precision وrecall وF1 وTP وFP وFN⁩

    راجع جميع هذه المقاييس لإجراء تقييم شامل للأداء.

  • يوفّر استخدام Ultralytics YOLO للتحقق عدة مزايا:

    • الدقة: يوفر YOLO26 مقاييس أداء دقيقة، منها mAP50 وmAP75 وmAP50-95.
    • السهولة: تتذكر النماذج إعدادات التدريب الخاصة بها، مما يجعل التحقق مباشرًا.
    • المرونة: يمكنك التحقق باستخدام مجموعات البيانات وأحجام الصور نفسها أو مختلفة.
    • ضبط المعلمات الفائقة: تساعد مقاييس التحقق على ضبط النماذج بدقة لتحسين الأداء.

    تساعدك هذه المزايا على تقييم النماذج بدقة وتحسينها.

  • نعم، يمكنك التحقق من نموذج YOLO26 باستخدام مجموعة بيانات مخصصة. حدّد الوسيط data مع مسار ملف YAML لمجموعة البيانات، الذي ينبغي أن يتضمن مسار بيانات التحقق. أما التصنيف، فيتطلب دليلًا لمجموعة بيانات أو اسم مجموعة بيانات مدمجة (مثل imagenet10).

    ملاحظة

    يُجرى التحقق باستخدام أسماء الفئات الخاصة بالنموذج، التي يمكنك عرضها باستخدام model.names، وقد تختلف عن الأسماء المحددة في مجموعة البيانات.

    مثال باستخدام Python:

    from ultralytics import YOLO
    
    # ⁨تحميل نموذج⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨تحقّق باستخدام مجموعة بيانات مخصصة⁩
    metrics = model.val(data="path/to/your/custom_dataset.yaml")
    print(metrics.box.map)  # map50-95

    مثال باستخدام CLI:

    yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

    لمزيد من الخيارات القابلة للتخصيص أثناء التحقق، راجع قسم مثال على التحقق باستخدام الوسيطات.

  • لحفظ نتائج التحقق في ملف JSON، يمكنك ضبط الوسيط save_json على True عند تشغيل التحقق. ويمكنك إجراء ذلك باستخدام واجهة Python البرمجية أو CLI.

    مثال باستخدام Python:

    from ultralytics import YOLO
    
    # ⁨تحميل نموذج⁩
    model = YOLO("yolo26n.pt")
    
    # ⁨احفظ نتائج التحقق بصيغة JSON⁩
    metrics = model.val(save_json=True)

    مثال باستخدام CLI:

    yolo val model=yolo26n.pt save_json=True

    في مجموعات بيانات الكشف، يعرض save_json=True أيضًا mAP للأجسام الصغيرة والمتوسطة والكبيرة عبر faster-coco-eval. راجع وسيطات التحقق من نماذج YOLO لمزيد من التفاصيل.

التعليقات279

اطرح سؤالًا، وشارك نتائجك، أو ساعد شخصًا آخر.

  1. BedoHatemGitHub

    I have a couple of models (a mix of object detection and segmentation), so I want to run them on the same validation dataset to compare them properly. The exact tasks for the seg and obj-det models are the same at a certain level, so I'm aware that seg models give a B-Box and Mask, while obj-det gives just a B-Box.

    With that said, will a segmentation dataset work on both seg and obj-det models ? Or should i make a seg and a obj-det version of the same dataset, so i can use it to equally validate the models ?

    Thanks in Advance

    1
    1. BedoHatemGitHub

      I tested it. It seems you can use a segmentation dataset to validate an obj-det model, as the seg datasets include B-Boxes and Masks of the classes.

      1
    2. Glenn JocherUltralytics(تم التعديل)

      @BedoHatem yes, you're correct! Segmentation datasets can be used to validate object detection models because they contain the bounding box annotations needed for detection evaluation. The segmentation masks are simply ignored when the dataset is used with a detection model.

      This flexibility is an advantage of the YOLO annotation format - the additional segmentation data doesn't interfere with detection evaluation. For the most accurate comparison between models, using the same validation dataset ensures you're evaluating performance on exactly the same ground truth data.

      @417dq the recall reported by val() is taken at the confidence value that maximizes F1, while the confusion matrix is built at the validation conf (0.001 by default) with an IoU matching threshold of 0.45, so the two can differ. The metrics output from val() is the reference for your model's performance.

  2. CyedenGitHub

    请问如果验针集是已经被多尺度分割了,那么再进行验证的时候imgsz应该设置为不同尺度验证的逻辑吗?例如: if name == 'main': model = YOLO(r'C:\Users\Lazy\Desktop\yolo_detect\weights\best.pt')

    multi_scale_sizes = [640, 800, 1024, 1280] 
    
    for size in multi_scale_sizes:
        model.val(
            data='ultralytics/cfg/datasets/DOTAv1.yaml',
            split='val',
            imgsz=size,
            batch=16,
            project='runs/val',
            name=f'v8n-obb-LSKNet_prev8x-obbpt_{size}',
        )
    1
    1. Glenn JocherUltralytics

      @Cyeden for multi-scale validation, you can indeed set imgsz to different scales within a loop. This approach allows you to evaluate the model's performance across various image sizes. Your implementation looks correct. Ensure you are using the latest version of the Ultralytics package to avoid any potential issues. For more details, you can refer to the validation documentation.

  3. YunYeTangGitHub

    hi, when I use yolov8-obb to validate DOTAv1, I found that confusion matrix is empty. Does it mean that confusion matrix is not supported in OBB validation?

    1
    1. Glenn JocherUltralytics(تم التعديل)

      Hi there! 👋

      The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True. If it is still empty, please share your yolo checks output and the validation command so we can look into it.

      In the meantime, you can still rely on the other validation metrics such as mAP, precision, and recall.

    2. Glenn JocherUltralytics(تم التعديل)

      Hey there! 🚀

      Thank you for reaching out! The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True; if it is still empty, share your yolo checks output and validation command so we can look into it.

      For a comprehensive evaluation you can also rely on the other metrics provided during validation, such as mAP, precision, and recall. Cheers! 🌟

    1. Glenn JocherUltralytics

      It looks like you’re on the Chinese locale (the URL contains "/zh/"). Remove "/zh/" to view the English version, or use the top‑right language selector (GB English) and hard‑refresh; also ensure your browser’s auto‑translate is disabled.

    2. Glenn JocherUltralytics

      Thanks for the detailed description—that behavior sounds like a docs locale‑routing bug on our side rather than anything you can fix locally; we’ll get it forwarded to the web/docs team, and in the meantime could you confirm whether going directly to the English URL Model Validation with Ultralytics YOLO (English) still forces you back to Chinese and share your OS + browser version so we can reproduce it?

    3. Glenn JocherUltralytics

      Thanks for the extra details—that confirms this is an issue on the docs side, likely tied to your system/browser language being Chinese and our locale detection forcing /zh/ even when you pick English. I’ve passed this to the web/docs team to investigate; as a temporary workaround you can try using a browser whose interface language is set to English (or move English to the top of Chrome’s language preferences) so the site stops auto‑redirecting to the Chinese locale.

  4. AA278-HUBGitHub

    I have a model trained on a dataset containing four classes (car, bus, motorbike, and trunk). Now, I have a new dataset with only one class (vehicle). How can I validate this model using the new dataset, given that I only care about whether the model can identify the vehicle and its position, without concern for the specific type of vehicle?

    1. Glenn JocherUltralytics

      @liujixingit save_txt writes normalized YOLO xywh (center x/y, width, height) relative to the original image size; recover pixel xyxy via the original W,H then center→corner conversion, e.g.:

      # line format: class x y w h [conf]
      cls, x, y, w, h, *rest = map(float, line.split())
      x1 = (x - w/2) * W; y1 = (y - h/2) * H
      x2 = (x + w/2) * W; y2 = (y + h/2) * H

      Function details are in the save_one_txt reference and the save_txt format is noted under Validation settings.

      @carlos-cell To get APs/APm/APl, run COCO-style evaluation with JSON saving and check the printed COCO summary:

      yolo detect val model=yolo11n.pt data=coco.yaml save_json=True

      This triggers COCO eval inside validation; see COCO evaluation in val and the size-specific metrics overview in the Performance metrics deep dive.

      @AA278-HUB For “any vehicle” validation, use single-class evaluation so all types collapse to one:

      metrics = model.val(data='vehicle.yaml', single_cls=True, agnostic_nms=True)

      Argument behavior is documented in the Val mode arguments.

      @AA278-HUB You don’t need code changes for the above, but if you must customize matching/metrics, start from DetectionValidator and the val() entry point: see the DetectionValidator reference and the val() method in engine/model.py; if proposing a PR, please keep scope minimal and include tests.

  5. liujixingitGitHub

    YOLOv8 调用验证功能开启save_txt后保存的坐标如何还原到原图,我尝试了直接×原图宽高,还原的坐标是错误的。save_txt保存的结果是相对什么计算得出的归一化坐标?

    1. CherishzyhGitHub
      1. the document shows that 'iou' is the threshold for NMS.Is it also a threshold for calculate the confusion matrix? eg. I hope that if the IoU between the prediction and the ground truth is greater than 0.2, it will be considered a true positive (TP). At the same time, does the NMS threshold also have to be 0.2?
    2. CherishzyhGitHub
      1. For confidence threshold, if I set it to 0.1, that mean all bboxes with a score lower than 0.1 will be removed when calculate the PR-curve?. If so, does it will also be remove in result json or txt ?
    3. Glenn JocherUltralytics

      @Cherishzyh great questions:

      1. The iou argument in val() controls NMS overlap removal only; it does not change the IoU used to determine TP/FP or mAP. Metrics are computed over fixed IoU thresholds 0.50–0.95. If you need evaluation at IoU=0.2, export predictions and compute custom metrics offline. See the Performance Metrics deep dive.

      2. The conf argument is a minimum score filter. Setting conf=0.1 removes all predictions with score < 0.1 prior to evaluation and from saved outputs (save_json/save_txt). You can still access PR data from the results object:

      from ultralytics import YOLO
      model = YOLO("yolo11n.pt")
      res = model.val(conf=0.1, iou=0.7, save_json=True, save_txt=True, plots=True)
      print(res.box.p_curve)  # precision curve vs score thresholds
      print(res.box.r_curve)  # recall curve vs score thresholds

      Argument details are in the Val mode arguments.

  6. lauravchrobakGitHub

    When I run validate without setting plots=True I still get the f1, PR curve plots in the val folder. Potentially the default for this flag is actually true despite it being false in the table above?

  7. sea190GitHub

    The question about val of yoloworld, and I used my custom dataset, and I make sure the format of ma dataset is corret. While when I run the val.py the code still validate the categories of COCO Dataset instead of my dataset? How can I solve this problem?

    1. ihciabGitHub

      You can try specifying the path of the validation set. When calling the val function, specify model.val(data=‘your_data’)

    2. Glenn JocherUltralytics

      @sea190 for YOLO-World validation with custom datasets, ensure your dataset YAML file correctly defines the class names and paths. YOLO-World may default to COCO categories if the dataset configuration isn't properly specified. Try:

      model.val(data='path/to/your/custom_dataset.yaml')

      Make sure your YAML file includes the correct names field with your custom class names and verify the val path points to your validation images and labels. If issues persist, check that your dataset follows the expected format for YOLO-World validation.