Modellvalidierung mit Ultralytics YOLO#

Einführung#

Die Validierung ist ein entscheidender Schritt in der Pipeline für maschinelles Lernen und ermöglicht es dir, die Qualität deiner trainierten Modelle zu beurteilen. Der Val-Modus von Ultralytics YOLO26 bietet eine umfassende Auswahl an Werkzeugen und Metriken zur Bewertung der Leistung deiner Modelle zur Objekterkennung. Dieser Leitfaden erklärt ausführlich, wie du den Val-Modus effektiv einsetzt, um sicherzustellen, dass deine Modelle sowohl genau als auch zuverlässig sind.

Vorläufige Validierungsergebnisse findest du in der Vorschauversion von YOLO27.

Warum mit Ultralytics YOLO validieren?#

Darum ist der Val-Modus von YOLO26 von Vorteil:

• Präzision: Ermittle genaue Kennzahlen 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.
• Hyperparameteroptimierung: Nutze Validierungskennzahlen, um dein Modell für eine bessere Leistung fein abzustimmen.

Wichtige Funktionen des Val-Modus#

Dies sind die wichtigsten Funktionen des Val-Modus von YOLO26:

• Automatische Einstellungen: Modelle speichern ihre Trainingskonfigurationen für eine unkomplizierte Validierung.
• Unterstützung mehrerer Kennzahlen: Bewerte dein Modell anhand einer Reihe von Genauigkeitskennzahlen.
• CLI und Python-API: Wähle für die Validierung je nach Vorliebe die Befehlszeile oder die Python-API.
• Datenkompatibilität: Funktioniert nahtlos sowohl mit den während des Trainings verwendeten als auch mit benutzerdefinierten Datensätzen.

Anwendungsbeispiele#

Validiere die Genauigkeit eines trainierten YOLO26n-Modells. Dafür sind keine Argumente erforderlich, da model die beim Training verwendeten data und Argumente als Modellattribute speichert: path/to/best.pt validiert auf dem Datensatz, mit dem das Modell trainiert wurde. Offizielle Gewichte speichern einen Trainingsdatensatzpfad, der auf deinem Rechner nicht vorhanden ist. Daher wird mit einer Warnung auf den für die Aufgabe standardmäßig vorgesehenen coco8.yaml zurückgegriffen. Mit data kannst du die Validierung auf einem anderen Datensatz durchführen. Eine vollständige Liste der Validierungsargumente findest du weiter unten im Abschnitt „Argumente“.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")  # Ein offizielles Modell laden
model = YOLO("path/to/best.pt")  # Ein benutzerdefiniertes Modell laden

# Das Modell validieren
metrics = model.val()  # Keine Argumente erforderlich, Datensatz und Einstellungen werden gespeichert
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # Eine Liste mit mAP50-95-Werten für jede Kategorie
metrics.box.image_metrics  # Kennzahlenverzeichnis pro Bild mit Präzision, Trefferquote, F1, TP, FP und FN

Argumente für die YOLO-Modellvalidierung#

Bei der Validierung von YOLO-Modellen lassen sich verschiedene Argumente fein abstimmen, um den Auswertungsprozess zu optimieren. Diese Argumente steuern unter anderem die Eingabebildgröße, die Stapelverarbeitung und Leistungsschwellenwerte. Im Folgenden findest du eine ausführliche Erläuterung der einzelnen Argumente, damit du deine Validierungseinstellungen gezielt anpassen kannst.

Jede dieser Einstellungen spielt eine wichtige Rolle bei der Validierung und ermöglicht eine anpassbare und effiziente Auswertung von YOLO-Modellen. Wenn du diese Parameter an deine spezifischen Anforderungen und Ressourcen anpasst, findest du die optimale Balance zwischen Genauigkeit und Leistung.

Beispiel: Validierung mit Argumenten#

Die folgenden Beispiele zeigen, wie du ein YOLO-Modell mit benutzerdefinierten Argumenten in Python und über die CLI validierst.

from ultralytics import YOLO

# Ein Modell laden
model = YOLO("yolo26n.pt")

# Validierungseinstellungen anpassen
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

# Ein Modell laden
model = YOLO("yolo26n.pt")

# Validieren und auf Kennzahlen pro Bild zugreifen
results = model.val(data="coco8.yaml")

# image_metrics ist ein Verzeichnis mit Bilddateinamen als Schlüsseln
print(results.box.image_metrics)
# Ausgabe: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Auf Kennzahlen für ein bestimmtes Bild zugreifen
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

Das zurückgegebene Kennzahlenobjekt bietet außerdem Exporthilfen für nachgelagerte Analysen:

Weitere Informationen findest du in der Dokumentation zur Klasse DataExportMixin.

Wie geht es weiter?#

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

Häufig gestellte Fragen#