Modellvalidierung mit Ultralytics YOLO

Einführung

Die Validierung ist ein wichtiger Schritt in der Pipeline des maschinellen Lernens, mit dem du die Qualität deiner trainierten Modelle bewerten kannst. Der Validierungsmodus in Ultralytics YOLOv8 bietet eine Reihe von robusten Werkzeugen und Metriken, um die Leistung deiner Objekterkennungsmodelle zu bewerten. In diesem Leitfaden erfährst du, wie du den Val-Modus effektiv nutzen kannst, um sicherzustellen, dass deine Modelle sowohl genau als auch zuverlässig sind.

Pass auf: Ultralytics Modi Tutorial: Validierung

Warum mit Ultralytics validierenYOLO?

Hier erfährst du, warum es von Vorteil ist, den Val-Modus von YOLOv8 zu verwenden:

Präzision: Erhalte genaue Messwerte wie mAP50, mAP75 und mAP50-95, um dein Modell umfassend zu bewerten.
Bequemlichkeit: Nutze die integrierten Funktionen, die sich die Trainingseinstellungen merken und so den Validierungsprozess vereinfachen.
Flexibilität: Validiere dein Modell mit denselben oder unterschiedlichen Datensätzen und Bildgrößen.
Hyperparameter-Tuning: Nutze die Validierungsmetriken, um dein Modell für eine bessere Leistung fein abzustimmen.

Hauptmerkmale des Val-Modus

Dies sind die bemerkenswerten Funktionen, die der Val-Modus von YOLOv8 bietet:

Automatisierte Einstellungen: Die Modelle merken sich ihre Trainingskonfigurationen für eine einfache Validierung.
Multimetrische Unterstützung: Bewerte dein Modell anhand einer Reihe von Genauigkeitsmetriken.
CLI und Python API: Wähle zwischen der Befehlszeilenschnittstelle und der Python API, je nachdem, was du für die Validierung bevorzugst.
Datenkompatibilität: Funktioniert nahtlos mit Datensätzen, die in der Trainingsphase verwendet wurden, sowie mit benutzerdefinierten Datensätzen.

Tipp

YOLOv8 Modelle merken sich automatisch ihre Trainingseinstellungen, so dass du ein Modell bei gleicher Bildgröße und auf dem Originaldatensatz leicht validieren kannst mit nur yolo val model=yolov8n.pt oder model('yolov8n.pt').val()

Verwendungsbeispiele

Validiere die Genauigkeit des trainierten YOLOv8n Modells auf dem COCO8-Datensatz. Es muss kein Argument übergeben werden, da die model behält es die Ausbildung data und Argumente als Modellattribute. Eine vollständige Liste der Exportargumente findest du im Abschnitt Argumente weiter unten.

Beispiel

PythonCLI

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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 contains map50-95 of each category

yolo detect val model=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Argumente für YOLO Modellvalidierung

Bei der Validierung von YOLO Modellen können mehrere Argumente fein abgestimmt werden, um den Bewertungsprozess zu optimieren. Diese Argumente steuern Aspekte wie die Größe des Eingabebildes, die Stapelverarbeitung und die Leistungsschwellen. Im Folgenden findest du eine detaillierte Aufschlüsselung der einzelnen Argumente, damit du deine Validierungseinstellungen effektiv anpassen kannst.

Argument	Typ	Standard	Beschreibung
`data`	`str`	`None`	Gibt den Pfad zur Dataset-Konfigurationsdatei an (z. B., `coco8.yaml`). Diese Datei enthält Pfade zu den Validierungsdaten, Klassennamen und die Anzahl der Klassen.
`imgsz`	`int`	`640`	Legt die Größe der Eingabebilder fest. Alle Bilder werden vor der Verarbeitung auf diese Größe angepasst.
`batch`	`int`	`16`	Legt die Anzahl der Bilder pro Stapel fest. verwenden `-1` für AutoBatch, das sich automatisch an die Verfügbarkeit von GPU-Speicher anpasst.
`save_json`	`bool`	`False`	Wenn `True`speichert die Ergebnisse in einer JSON-Datei zur weiteren Analyse oder Integration in andere Tools.
`save_hybrid`	`bool`	`False`	Wenn `True`speichert eine hybride Version von Labels, die die ursprünglichen Annotationen mit zusätzlichen Modellvorhersagen kombiniert.
`conf`	`float`	`0.001`	Legt die minimale Vertrauensschwelle für Erkennungen fest. Erkennungen, deren Konfidenz unter diesem Schwellenwert liegt, werden verworfen.
`iou`	`float`	`0.6`	Legt den Schwellenwert für die Überschneidungsunterdrückung (IoU) für die Nicht-Maximum-Unterdrückung (NMS) fest. Hilft dabei, doppelte Erkennungen zu reduzieren.
`max_det`	`int`	`300`	Begrenzt die maximale Anzahl der Erkennungen pro Bild. Nützlich in dichten Szenen, um übermäßige Erkennungen zu vermeiden.
`half`	`bool`	`True`	Ermöglicht Berechnungen mit halber Genauigkeit (FP16), wodurch der Speicherverbrauch reduziert und die Geschwindigkeit bei minimalen Auswirkungen auf die Genauigkeit erhöht werden kann.
`device`	`str`	`None`	Gibt das Gerät für die Validierung an (`cpu`, `cuda:0`, etc.). Ermöglicht Flexibilität bei der Nutzung von CPU- oder GPU-Ressourcen.
`dnn`	`bool`	`False`	Wenn `True`verwendet das OpenCV DNN-Modul für die ONNX Modellinferenz und bietet damit eine Alternative zu PyTorch Inferenzmethoden.
`plots`	`bool`	`False`	Bei der Einstellung auf `True`erstellt und speichert Diagramme der Vorhersagen im Vergleich zur Basiswahrheit, um die Leistung des Modells visuell zu bewerten.
`rect`	`bool`	`False`	Wenn `True`verwendet die rechteckige Inferenz für die Stapelverarbeitung, wodurch das Auffüllen reduziert und die Geschwindigkeit und Effizienz potenziell erhöht wird.
`split`	`str`	`val`	Bestimmt die Aufteilung des Datensatzes für die Validierung (`val`, `test`, oder `train`). Ermöglicht Flexibilität bei der Auswahl des Datensegments für die Leistungsbewertung.

Jede dieser Einstellungen spielt eine wichtige Rolle im Validierungsprozess und ermöglicht eine anpassbare und effiziente Bewertung der YOLO Modelle. Wenn du diese Parameter an deine spezifischen Bedürfnisse und Ressourcen anpasst, kannst du das beste Gleichgewicht zwischen Genauigkeit und Leistung erreichen.

Beispiel Validierung mit Argumenten

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