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 Bewertung der Leistung deiner Objekterkennungs-Modelle. Dieser Leitfaden dient als vollständige Ressource, um zu verstehen, wie du den Val-Modus effektiv nutzt, 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 Trainingseinstellungen merken und 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 Funktionen, die der Val-Modus von YOLO26 bietet:

• Automatisierte Einstellungen: Modelle merken sich ihre Trainingskonfigurationen für eine unkomplizierte Validierung.
• Unterstützung mehrerer Metriken: Bewerte dein Modell basierend auf einer Reihe von Genauigkeitsmetriken.
• CLI und Python API: Wähle je nach Vorliebe 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 sectionNutzungsbeispiele#

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 die Eingabebildgröße, die Stapelverarbeitung und Leistungsschwellenwerte. Unten findest du eine detaillierte Aufschlüsselung jedes Arguments, um dir bei der effektiven Anpassung deiner Validierungseinstellungen zu helfen.

Jede dieser Einstellungen spielt eine wichtige 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 Klasse DataExportMixin.

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 über die Python API ein Modell laden und die Validierung wie folgt starten:

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 das Command-Line Interface (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 YOLO Modellvalidierung für die vollständige Liste der Parameter.

Link to this sectionWelche Metriken erhalte ich bei der YOLO26-Modellvalidierung?#

Die YOLO26-Modellvalidierung liefert verschiedene Schlüsselmetriken zur Bewertung der Modellleistung. Dazu gehören:

• mAP50 (mean Average Precision bei einem IoU-Schwellenwert von 0,5)
• mAP75 (mean Average Precision bei einem IoU-Schwellenwert von 0,75)
• mAP50-95 (mean Average Precision über verschiedene IoU-Schwellenwerte von 0,5 bis 0,95)

Mit der Python API kannst du diese Metriken wie folgt abrufen:

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, alle diese Metriken zu überprüfen. Weitere Details findest du unter Hauptmerkmale des Val-Modus.

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

Die Verwendung von Ultralytics YOLO zur Validierung bietet mehrere Vorteile:

• Präzision: YOLO26 bietet genaue Leistungsmetriken, einschließlich mAP50, mAP75 und mAP50-95.
• Bequemlichkeit: Die Modelle speichern ihre Trainingseinstellungen, was die Validierung unkompliziert macht.
• Flexibilität: Du kannst die Validierung gegen dieselben oder andere Datensätze und Bildgrößen durchführen.
• Hyperparameter-Tuning: Validierungsmetriken helfen dabei, Modelle für eine bessere Leistung feinabzustimmen.

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

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

Ja, du kannst dein YOLO26-Modell mithilfe eines benutzerdefinierten Datensatzes validieren. Gib das Argument data mit dem Pfad zu deiner Datensatz-Konfigurationsdatei 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

Für weitere anpassbare Optionen während der Validierung siehe den 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 ist sowohl in der Python API als auch im CLI möglich.

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 weiterführende Analysen oder die Integration mit anderen Tools. Prüfe die Argumente für die YOLO-Modellvalidierung für weitere Details.