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
odermodel('yolov8n.pt').val()
Verwendungsbeispiele
Validiere die Genauigkeit des trainierten YOLOv8n Modells auf dem COCO8-Datensatz. Es muss kein Argument übergeben werden, da die model
seine Ausbildung beibehält data
und Argumente als Modellattribute. Eine vollständige Liste der Exportargumente findest du im Abschnitt Argumente weiter unten.
Beispiel
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
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 des GPU Speichers 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 die flexible Nutzung der Ressourcen von CPU oder GPU . |
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.
Beispiel
FAQ
Wie kann ich mein YOLOv8 Modell mit Ultralytics validieren?
Um dein YOLOv8 Modell zu validieren, kannst du den von Ultralytics bereitgestellten Val-Modus verwenden. Mit der Python API kannst du zum Beispiel ein Modell laden und die Validierung mit durchführen:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")
# Validate the model
metrics = model.val()
print(metrics.box.map) # map50-95
Alternativ kannst du auch die Befehlszeilenschnittstelle (CLI) verwenden:
Für weitere Anpassungen kannst du verschiedene Argumente einstellen, wie imgsz
, batch
, und conf
sowohl im Python als auch im CLI Modus. Prüfe die Argumente für YOLO Modellvalidierung Abschnitt für die vollständige Liste der Parameter.
Welche Kennzahlen kann ich aus der YOLOv8 Modellvalidierung gewinnen?
YOLOv8 Die Modellvalidierung liefert mehrere Schlüsselkennzahlen zur Bewertung der Modellleistung. Dazu gehören:
- mAP50 (mittlere durchschnittliche Präzision bei IoU-Schwelle 0,5)
- mAP75 (mittlere durchschnittliche Präzision bei IoU-Schwelle 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
Für eine vollständige Leistungsbewertung ist es wichtig, all diese Kennzahlen zu überprüfen. Weitere Einzelheiten findest du in den Hauptmerkmalen des Val-Modus.
Welche Vorteile hat die Verwendung von Ultralytics YOLO für die Validierung?
Die Verwendung von Ultralytics YOLO für die Validierung bietet mehrere Vorteile:
- Präzision: YOLOv8 bietet genaue Leistungskennzahlen wie mAP50, mAP75 und mAP50-95.
- Bequemlichkeit: Die Modelle merken sich ihre Trainingseinstellungen, was die Validierung vereinfacht.
- Flexibilität: Du kannst mit denselben oder unterschiedlichen Datensätzen und Bildgrößen validieren.
- Abstimmung der Hyperparameter: Validierungsmetriken helfen bei der Feinabstimmung der Modelle für eine bessere Leistung.
Diese Vorteile stellen sicher, dass deine Modelle gründlich ausgewertet werden und für hervorragende Ergebnisse optimiert werden können. Mehr über diese Vorteile erfährst du im Abschnitt " Warum mit Ultralytics validieren " YOLO.
Kann ich mein YOLOv8 Modell mit einem benutzerdefinierten Datensatz validieren?
Ja, du kannst dein YOLOv8 Modell mithilfe eines benutzerdefinierten Datensatzes validieren. Lege den data
Argument mit dem Pfad zu deiner Datensatz-Konfigurationsdatei. Diese Datei sollte Pfade zu den Validierungsdaten, Klassennamen und andere relevante Details enthalten.
Beispiel in Python:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.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:
Weitere anpassbare Optionen für die Validierung findest du im Abschnitt Beispielvalidierung mit Argumenten.
Wie speichere ich Validierungsergebnisse in einer JSON-Datei in YOLOv8?
Um die Validierungsergebnisse in einer JSON-Datei zu speichern, kannst du die save_json
Argument zu True
wenn die Validierung läuft. Dies kann sowohl über die Python API als auch über CLI erfolgen.
Beispiel in Python:
from ultralytics import YOLO
# Load a model
model = YOLO("yolov8n.pt")
# Save validation results to JSON
metrics = model.val(save_json=True)
Beispiel mit CLI:
Diese Funktion ist besonders nützlich für weitere Analysen oder die Integration mit anderen Tools. In den Argumenten für die YOLO Modellvalidierung findest du weitere Informationen.
Erstellt am 2023-11-12, Aktualisiert am 2024-07-04
Autoren: glenn-jocher (14), Burhan-Q (1), RizwanMunawar (1)