Link to this sectionModellvalidierung mit Ultralytics YOLO#

Link to this sectionEinführung#

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 Evaluierung 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.

Link to this sectionWarum 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: Verwende Validierungsmetriken, um dein Modell für eine bessere Leistung feinabzustimmen.

Link to this sectionHauptfunktionen 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.

Link to this sectionAnwendungsbeispiele#

Validiere die Genauigkeit eines trainierten YOLO26n-Modells auf dem COCO8-Datensatz. Es sind keine Argumente erforderlich, da das model seine Trainings-data und Argumente als Modellattribute beibehält. 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

Link to this sectionArgumente 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.

Link to this sectionBeispielvalidierung 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 Dokumentation der DataExportMixin-Klasse.

Link to this sectionFAQ#

Link to this sectionWie validiere ich mein YOLO26-Modell mit Ultralytics?#

Um dein YOLO26-Modell zu validieren, kannst du den von Ultralytics bereitgestellten Val-Modus verwenden. Zum Beispiel kannst du mit der Python API ein Modell laden und die Validierung wie folgt ausführen:

from ultralytics import YOLO

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

# Validate the model
metrics = model.val()
print(metrics.box.map)  # map50-95

Alternativ kannst du die Befehlszeilenschnittstelle (CLI) verwenden:

yolo val model=yolo26n.pt

Für weitere Anpassungen kannst du verschiedene Argumente wie imgsz, batch und conf sowohl im Python- als auch im CLI-Modus anpassen. Überprüfe den Abschnitt Argumente für die YOLO-Modellvalidierung für die vollständige Liste der Parameter.

Link to this sectionWelche Metriken kann ich aus der YOLO26-Modellvalidierung erhalten?#

Die YOLO26-Modellvalidierung bietet mehrere wichtige Metriken zur Bewertung der Modellleistung. Dazu gehören:

• mAP50 (mittlere durchschnittliche Präzision bei einem IoU-Schwellenwert von 0,5)
• mAP75 (mittlere durchschnittliche Präzision bei einem IoU-Schwellenwert von 0,75)
• mAP50-95 (mittlere durchschnittliche Präzision über mehrere IoU-Schwellenwerte von 0,5 bis 0,95)

Mit der Python API kannst du wie folgt auf diese Metriken zugreifen:

metrics = model.val()  # assumes `model` has been loaded
print(metrics.box.map)  # mAP50-95
print(metrics.box.map50)  # mAP50
print(metrics.box.map75)  # mAP75
print(metrics.box.maps)  # list of mAP50-95 for each category
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Für eine vollständige Leistungsbewertung ist es entscheidend, all diese Metriken zu überprüfen. Weitere Details findest du in den Hauptfunktionen des Val-Modus.

Link to this sectionWas sind die Vorteile der Verwendung von Ultralytics YOLO für die Validierung?#

Die Verwendung von Ultralytics YOLO für die Validierung bietet mehrere Vorteile:

• Präzision: YOLO26 bietet genaue Leistungsmetriken, einschließlich mAP50, mAP75 und mAP50-95.
• Komfort: Die Modelle speichern ihre Trainingseinstellungen, was die Validierung unkompliziert macht.
• Flexibilität: Du kannst gegen denselben oder andere Datensätze und Bildgrößen validieren.
• Hyperparameter-Tuning: Validierungsmetriken helfen bei der Feinabstimmung von Modellen für eine bessere Leistung.

Diese Vorteile stellen sicher, dass deine Modelle gründlich bewertet und für überlegene Ergebnisse optimiert werden können. Erfahre mehr über diese Vorteile im Abschnitt Warum Validierung mit Ultralytics YOLO.

Link to this sectionKann ich mein YOLO26-Modell mit einem benutzerdefinierten Datensatz validieren?#

Ja, du kannst dein YOLO26-Modell mit einem benutzerdefinierten Datensatz validieren. Gib das data-Argument mit dem Pfad zu deiner Datensatzkonfigurationsdatei an. Diese Datei sollte den Pfad zu den Validierungsdaten enthalten.

Beispiel in Python:

from ultralytics import YOLO

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

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

Beispiel mit CLI:

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

Weitere anpassbare Optionen während der Validierung findest du im Abschnitt Beispielvalidierung mit Argumenten.

Link to this sectionWie speichere ich Validierungsergebnisse in einer JSON-Datei in YOLO26?#

Um die Validierungsergebnisse in einer JSON-Datei zu speichern, kannst du das Argument save_json auf True setzen, wenn du die Validierung ausführst. Dies kann sowohl in der Python API als auch in der CLI erfolgen.

Beispiel in Python:

from ultralytics import YOLO

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

# Save validation results to JSON
metrics = model.val(save_json=True)

Beispiel mit CLI:

yolo val model=yolo26n.pt save_json=True

Diese Funktionalität ist besonders nützlich für weitere Analysen oder die Integration mit anderen Tools. Siehe Argumente für die YOLO-Modellvalidierung für weitere Details.