Empezar

Información sobre la evaluación y el ajuste de modelos

Después de entrenar un modelo YOLO, el siguiente paso es medir su rendimiento y ajustarlo para corregir sus puntos débiles. La evaluación utiliza métricas como mAP e IoU para cuantificar la precisión, mientras que el ajuste modifica los parámetros de entrenamiento para reforzar los puntos débiles y cumplir el objetivo del proyecto. Esta guía explica las principales métricas de evaluación, cómo interpretarlas y cómo actuar en función de sus resultados.



Ver: Claves para evaluar y ajustar modelos | Consejos para mejorar la precisión media promedio

La evaluación y el ajuste se sitúan hacia el final del flujo de trabajo de un proyecto de visión artificial, cuando el entrenamiento ya está en marcha y necesitas comprobar que el modelo es preciso, eficiente y está listo para su despliegue.

Métricas de evaluación principales#

Hay varias métricas que permiten medir la eficacia de un modelo. Estas métricas de rendimiento ofrecen información numérica clara que orienta las mejoras para que el modelo cumpla los objetivos previstos.

Puntuación de confianza#

La puntuación de confianza representa la certeza del modelo de que un objeto detectado pertenece a una clase concreta. Su valor oscila entre 0 y 1; cuanto más alto, mayor es la confianza. La puntuación de confianza ayuda a filtrar las predicciones: solo se consideran válidas las detecciones con una puntuación superior al umbral especificado.

¿No ves ninguna predicción?

Si al ejecutar la inferencia no ves ninguna predicción y ya has comprobado todo lo demás, prueba a bajar el umbral de confianza. A veces el umbral es demasiado alto y el modelo ignora predicciones válidas. Al bajarlo, permites que el modelo considere más posibilidades. Puede que esto no cumpla los objetivos finales de tu proyecto, pero es una buena forma de ver qué puede hacer el modelo y decidir cómo ajustarlo.

Intersección sobre unión#

La intersección sobre la unión (IoU) es una métrica de detección de objetos que mide cuánto se solapa la caja delimitadora predicha con la caja delimitadora de referencia. Los valores de IoU van de 0 a 1, donde 1 representa una coincidencia perfecta. IoU es fundamental porque mide en qué medida coinciden los límites predichos con los límites reales del objeto.

Intersection over Union Overview

Precisión media promedio#

La precisión media (mAP) mide el rendimiento general de un modelo de detección de objetos. Analiza la precisión de detección de cada clase de objeto, calcula la media de esas puntuaciones y ofrece un único valor que indica la exactitud con la que el modelo identifica y clasifica los objetos.

Las dos métricas de mAP que se suelen presentar son:

  • mAP50: mide la precisión media con un único umbral de IoU de 0,5. Esta métrica comprueba si el modelo puede localizar correctamente los objetos con un requisito de precisión menos estricto. Se centra en si el objeto está aproximadamente en el lugar correcto, sin exigir una ubicación perfecta, y ayuda a determinar si el modelo suele detectar bien los objetos.
  • mAP50-95: promedia los valores de mAP calculados con varios umbrales de IoU, de 0,5 a 0,95 en incrementos de 0,05. Esta métrica es más detallada y estricta. Ofrece una visión más completa de la precisión con la que el modelo puede localizar objetos con distintos niveles de exigencia y resulta especialmente útil para aplicaciones que requieren una detección precisa de objetos.

Otras métricas mAP incluyen mAP75, que utiliza un umbral de IoU más estricto de 0,75, y APS, APM y APL, que evalúan la precisión en objetos pequeños, medianos y grandes.

Three ways to improve mAP: data quality, model optimization, and annotation process

Evaluación de un modelo YOLO26#

Puedes evaluar un modelo YOLO26 entrenado con el modo de validación. Para profundizar en cómo se calcula e interpreta cada métrica, consulta la guía sobre las métricas de rendimiento de YOLO26.

Gestión de tamaños de imagen variables#

Evaluar el modelo con imágenes de distintos tamaños te ayuda a entender su rendimiento en conjuntos de datos diversos. La validación usa por defecto el agrupamiento rectangular (rect=True en model.val()): agrupa las imágenes por relación de aspecto y rellena cada lote hasta obtener una forma rectangular, de modo que las imágenes rectangulares se evalúan sin forzarlas a tener forma cuadrada.

El parámetro imgsz establece el tamaño de imagen que se usa durante la validación. Si no lo estableces explícitamente, YOLO26 reutiliza el valor guardado en la configuración del modelo (640 para los modelos preentrenados oficiales o el tamaño con el que se entrenó un punto de control personalizado). Con rect=True, las formas de validación pueden diferir de las de predict (consulta rect). Ajusta imgsz según las dimensiones de tu conjunto de datos y la memoria disponible de la GPU.

Acceso a las métricas de YOLO26#

Para comprender en detalle el rendimiento de tu modelo, puedes acceder a métricas de evaluación concretas con unas pocas líneas de Python. El fragmento de código siguiente carga un modelo, ejecuta la validación e imprime las métricas más útiles.

Uso
from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")

# Ejecuta la validación en tu conjunto de datos
results = model.val(data="coco8.yaml")

# Métricas generales
print("mAP50-95:", results.box.map)  # mAP con IoU de 0.50:0.95
print("mAP50:", results.box.map50)  # mAP con IoU de 0.50
print("mAP75:", results.box.map75)  # mAP con IoU de 0.75
print("Mean precision:", results.box.mp)
print("Mean recall:", results.box.mr)
print("Fitness:", results.box.fitness())  # puntuación ponderada utilizada para seleccionar modelos

# Métricas por clase
print("Class indices evaluated:", results.box.ap_class_index)
print("Per-class mAP50-95:", results.box.maps)  # las clases ausentes del conjunto de validación conservan el mAP global

# Precisión, exhaustividad, F1, TP, FP y FN por imagen
print("Per-image metrics:", results.box.image_metrics)

# Desglose de tiempos por fase en milisegundos por imagen
print("Timing breakdown (ms/image):", results.speed)

Ten en cuenta que fitness() es un método y debe llamarse con paréntesis, mientras que métricas como map, map50 y mp son propiedades a las que se accede directamente.

El atributo results.box.image_metrics es un diccionario por imagen cuyas claves son rutas de imagen relativas al directorio común de imágenes y que contiene precision, recall, f1, tp, fp y fn con IoU 0.5 para cada imagen. Los tiempos de preprocesamiento, inferencia, pérdida y posprocesamiento se notifican por separado en el diccionario results.speed. En conjunto, estos datos te permiten identificar con precisión con qué imágenes tiene dificultades el modelo y ajustarlo según corresponda.

Ajuste fino de tu modelo#

El ajuste fino parte de un modelo preentrenado y ajusta sus parámetros para mejorar el rendimiento en una tarea o conjunto de datos concretos. También conocido como reentrenamiento del modelo, permite que el modelo comprenda mejor los datos que encontrará en aplicaciones reales y prediga resultados con mayor precisión. Según los resultados de la evaluación, reentrena el modelo con tus propios datos y ajusta los argumentos de entrenamiento que se describen en la guía de ajuste fino.

División de imágenes en mosaicos para objetos pequeños#

El teselado de imágenes puede mejorar la precisión de detección de objetos pequeños. Al dividir imágenes grandes en segmentos más pequeños, como al dividir imágenes de 1280x1280 en varios segmentos de 640x640, se conserva la resolución original y el modelo puede aprender de fragmentos de alta resolución. Usa tile=True para el teselado de alta resolución durante el entrenamiento, la validación y la predicción. El entrenamiento recorta las anotaciones con cada tesela, mientras que la validación y la predicción fusionan los resultados de las teselas en resultados para la imagen completa.

Conclusión#

La evaluación y el ajuste fino convierten un modelo entrenado en uno fiable y listo para implementar: métricas como mAP e IoU ponen de manifiesto los puntos débiles, y los cambios específicos en los parámetros los abordan. Empieza con el modo de validación para evaluar tu modelo y, después, vuelve a entrenarlo con los argumentos descritos en la guía de ajuste fino; sigue iterando con nuevos parámetros, técnicas y conjuntos de datos. Si te surgen dudas, pregunta a la comunidad en el repositorio de Ultralytics en GitHub o en el servidor de Discord de Ultralytics.

Preguntas frecuentes#

  • Para evaluar el rendimiento de un modelo YOLO26, algunas métricas importantes son la puntuación de confianza, la intersección sobre unión (IoU) y la precisión media (mAP). La puntuación de confianza mide la certeza del modelo respecto a cada clase de objeto detectada. IoU evalúa cuánto se solapa la caja delimitadora predicha con la referencia. La precisión media (mAP) agrega las puntuaciones de precisión de varias clases; mAP50 y mAP50-95 son dos tipos habituales para distintos umbrales de IoU. Obtén más información sobre estas métricas en nuestra guía de métricas de rendimiento de YOLO26.

  • El ajuste fino de un modelo YOLO26 preentrenado consiste en modificar sus parámetros para mejorar el rendimiento en una tarea o conjunto de datos concretos. Empieza por evaluar el modelo con métricas y, después, vuelve a entrenarlo con tus propios datos a partir de los pesos preentrenados. Durante la evaluación, parámetros como rect=True ayudan a gestionar eficazmente imágenes de distintos tamaños.

  • Para gestionar tamaños de imagen variables durante la evaluación, utiliza la validación rectangular (rect=True, el valor predeterminado de model.val()), que agrupa las imágenes por relación de aspecto y añade relleno a cada lote, en lugar de forzar que todas las imágenes sean cuadradas. El parámetro imgsz establece el tamaño de imagen para la validación; si no lo sobrescribes, YOLO26 reutiliza el valor guardado en el modelo (640 para los modelos preentrenados oficiales). Ajusta imgsz en función de tu conjunto de datos y de la memoria de la GPU. Para obtener más información, visita nuestra sección sobre cómo gestionar tamaños de imagen variables.

  • Mejorar la precisión media promedio (mAP) de un modelo YOLO26 implica varios pasos:

    1. Ajuste de hiperparámetros: prueba distintas tasas de aprendizaje, tamaños de lote y aumentos de datos de imagen.
    2. Aumento de datos: Utiliza técnicas como Mosaic y MixUp para crear muestras de entrenamiento variadas.
    3. División de imágenes en mosaicos: Divide las imágenes grandes en mosaicos más pequeños para mejorar la precisión de detección de objetos pequeños.

    Consulta la guía de ajuste fino para ver los argumentos de entrenamiento relacionados con los pasos 1 y 2; el paso 3 se explica en división de imágenes en mosaicos.

  • Puedes acceder a las métricas de evaluación de un modelo YOLO26 con Python después de ejecutar la validación:

    Uso
    from ultralytics import YOLO
    
    # Cargar un modelo
    model = YOLO("yolo26n.pt")
    
    # Ejecutar la validación
    results = model.val(data="coco8.yaml")
    
    # Acceder a las métricas clave
    print("Mean average precision at IoU=0.50:", results.box.map50)
    print("Mean average precision at IoU=0.50:0.95:", results.box.map)
    print("Mean recall:", results.box.mr)
    print("Class indices evaluated:", results.box.ap_class_index)

    Analizar estas métricas te ayuda a ajustar y optimizar tu modelo YOLO26. Para profundizar, consulta nuestra guía sobre métricas de rendimiento de YOLO.

Comentarios2

Haz una pregunta, comparte tus resultados o ayuda a otra persona.

  1. ILIAHHne63GitHub

    Hello, I'm using YoLOv10, how can I load the pretrained backbone, but leave the head unpretrained?

    1. Glenn JocherUltralytics

      @ILIAHHne63 to load a pretrained backbone while leaving the head unpretrained in YOLOv10, you can initialize the model with the pretrained weights and then manually reset the head layers. This allows you to retain the pretrained features of the backbone while training the head from scratch. For detailed steps, refer to the model fine-tuning section in our documentation. If you encounter any issues, ensure you're using the latest version of the package.