Modellvalidierung mit Ultralytics YOLO#

Einleitung#

Die Validierung ist ein entscheidender Schritt in der Machine-Learning-Pipeline. Sie ermöglicht es dir, die Qualität deiner trainierten Modelle zu beurteilen. Der Val-Modus in Ultralytics YOLO26 bietet eine robuste Sammlung von Werkzeugen und Metriken zur Bewertung der Leistung deiner Objekterkennungsmodelle. Dieser Leitfaden hilft dir umfassend dabei, den Val-Modus effektiv zu nutzen und sicherzustellen, dass deine Modelle sowohl präzise als auch zuverlässig sind.

Sieh dir die unreleased YOLO27 preview an, um vorläufige Validierungsergebnisse zu erhalten.

Warum mit Ultralytics YOLO validieren?#

Darum ist der Val-Modus von YOLO26 vorteilhaft:

• Präzision: Ermittle 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 den Validierungsprozess vereinfachen.
• Flexibilität: Validiere dein Modell mit denselben oder anderen Datensätzen und Bildgrößen.
• Hyperparameter-Optimierung: Nutze Validierungsmetriken, um dein Modell für eine bessere Leistung fein abzustimmen.

Wichtige Funktionen des Val-Modus#

Der Val-Modus von YOLO26 bietet unter anderem folgende Funktionen:

• Automatische Einstellungen: Modelle speichern ihre Trainingskonfigurationen, sodass die Validierung unkompliziert durchgeführt werden kann.
• Unterstützung mehrerer Metriken: Bewerte dein Modell anhand verschiedener Genauigkeitsmetriken.
• CLI und Python-API: Wähle je nach deinen Vorlieben für die Validierung zwischen der Befehlszeile und der Python-API.
• Datenkompatibilität: Funktioniert nahtlos sowohl mit den während des Trainings verwendeten als auch mit benutzerdefinierten Datensätzen.

Verwendungsbeispiele#

Validiere die Genauigkeit eines trainierten YOLO26n-Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da model seine Trainings-data und -Argumente als Modellattribute speichert. Eine vollständige Liste der Validierungsargumente findest du im Abschnitt „Argumente“ weiter unten.

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 fein abgestimmt werden, um den Bewertungsprozess zu optimieren. Diese Argumente steuern unter anderem die Eingabebildgröße, die Stapelverarbeitung und Leistungsschwellenwerte. Im Folgenden findest du eine detaillierte Beschreibung jedes Arguments, damit du deine Validierungseinstellungen effektiv anpassen kannst.

Jede dieser Einstellungen spielt eine wichtige Rolle im Validierungsprozess und ermöglicht eine anpassbare und effiziente Bewertung von YOLO-Modellen. Wenn du diese Parameter an deine spezifischen Anforderungen und Ressourcen anpasst, kannst du ein optimales Gleichgewicht zwischen Genauigkeit und Leistung erreichen.

Beispiel für eine Validierung mit Argumenten#

Die folgenden Beispiele zeigen die Validierung von YOLO-Modellen mit benutzerdefinierten Argumenten in Python und über die 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}

Das zurückgegebene Metrikobjekt stellt außerdem Export-Hilfsfunktionen für die nachgelagerte Analyse bereit:

Weitere Informationen findest du in der Dokumentation der Klasse DataExportMixin.

Wie geht es weiter?#

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

FAQ#