Modellvalidierung mit Ultralytics YOLO#

Einführung#

Die Validierung ist ein entscheidender Schritt in der Machine-Learning-Pipeline, mit dem du die Qualität deiner trainierten Modelle bewerten kannst. Der Val-Modus in Ultralytics YOLO26 bietet eine robuste Suite von Tools und Metriken zur Auswertung der Leistung deiner Objekterkennungs-Modelle. Dieser Leitfaden dient als umfassende Ressource, um zu verstehen, wie du den Val-Modus effektiv nutzen kannst, um sicherzustellen, dass deine Modelle sowohl präzise als auch zuverlässig sind.

Warum Validierung mit Ultralytics YOLO?#

Hier ist der Grund, warum die Nutzung des Val-Modus von YOLO26 vorteilhaft ist:

• Präzision: Erhalte genaue Metriken wie mAP50, mAP75 und mAP50-95, um dein Modell umfassend zu bewerten.
• Komfort: Nutze integrierte Funktionen, die sich an die Trainingseinstellungen erinnern und so den Validierungsprozess vereinfachen.
• Flexibilität: Validiere dein Modell mit denselben oder anderen Datensätzen und Bildgrößen.
• Hyperparameter-Tuning: Nutze Validierungsmetriken, um dein Modell für eine bessere Leistung zu optimieren.

Hauptfunktionen des Val-Modus#

Dies sind die bemerkenswerten Funktionalitäten, die der Val-Modus von YOLO26 bietet:

• Automatisierte Einstellungen: Modelle speichern ihre Trainingskonfigurationen für eine unkomplizierte Validierung.
• Multi-Metrik-Unterstützung: Evaluiere dein Modell basierend auf einer Reihe von Genauigkeitsmetriken.
• CLI und Python API: Wähle basierend auf deiner Präferenz für die Validierung zwischen der Befehlszeilenschnittstelle oder der Python API.
• Datenkompatibilität: Funktioniert nahtlos mit Datensätzen, die während der Trainingsphase verwendet wurden, sowie mit benutzerdefinierten Datensätzen.

Anwendungsbeispiele#

Validiere die Genauigkeit eines trainierten YOLO26n-Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da model seine Training-data und -Argumente als Modellattribute behält. Siehe den Abschnitt „Argumente“ unten für eine vollständige Liste der Validierungsargumente.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")  # load an official model
model = YOLO("path/to/best.pt")  # load a custom model

# Validate the model
metrics = model.val()  # no arguments needed, dataset and settings remembered
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # a list containing mAP50-95 for each category
metrics.box.image_metrics  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Argumente für die YOLO-Modellvalidierung#

Bei der Validierung von YOLO-Modellen können verschiedene Argumente feinabgestimmt werden, um den Bewertungsprozess zu optimieren. Diese Argumente steuern Aspekte wie Eingabebildgröße, Stapelverarbeitung und Leistungsschwellenwerte. Unten findest du eine detaillierte Aufschlüsselung jedes Arguments, um dir zu helfen, deine Validierungseinstellungen effektiv anzupassen.

Jede dieser Einstellungen spielt eine entscheidende Rolle im Validierungsprozess und ermöglicht eine anpassbare und effiziente Bewertung von YOLO-Modellen. Die Anpassung dieser Parameter an deine spezifischen Bedürfnisse und Ressourcen kann helfen, das beste Gleichgewicht zwischen Genauigkeit und Leistung zu erreichen.

Beispielvalidierung mit Argumenten#

Die folgenden Beispiele zeigen die YOLO-Modellvalidierung mit benutzerdefinierten Argumenten in Python und CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Customize validation settings
metrics = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.7, device="0")

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

# Validate and access per-image metrics
results = model.val(data="coco8.yaml")

# image_metrics is a dictionary with image filenames as keys
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Access metrics for a specific image
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Weitere Details findest du in der DataExportMixin-Klassendokumentation.

Wie geht es weiter?#

Zufrieden mit den Metriken? Exportiere das Modell in ein Bereitstellungsformat. Wenn die Genauigkeit nicht stimmt, gehe zurück und trainiere es erneut mit anderen Hyperparametern oder mehr Trainingsdaten.

FAQ#