Validación de modelos con Ultralytics YOLO

Introducción

La validación es un paso crítico en el pipeline de aprendizaje automático, que te permite evaluar la calidad de tus modelos entrenados. El modo Val en Ultralytics YOLO26 proporciona un conjunto robusto de herramientas y métricas para evaluar el rendimiento de tus modelos de detección de objetos. Esta guía sirve como un recurso completo para entender cómo utilizar eficazmente el modo Val para garantizar que tus modelos sean precisos y fiables.

¿Por qué validar con Ultralytics YOLO?

Aquí tienes por qué usar el modo Val de YOLO26 es ventajoso:

• Precisión: Obtén métricas exactas como mAP50, mAP75 y mAP50-95 para evaluar exhaustivamente tu modelo.
• Conveniencia: Utiliza funciones integradas que recuerdan los ajustes de entrenamiento, simplificando el proceso de validación.
• Flexibilidad: Valida tu modelo con los mismos o diferentes conjuntos de datos y tamaños de imagen.
• Ajuste de hiperparámetros: Usa métricas de validación para ajustar tu modelo y obtener un mejor rendimiento.

Características clave del modo Val

Estas son las funcionalidades destacadas que ofrece el modo Val de YOLO26:

• Ajustes automatizados: Los modelos recuerdan sus configuraciones de entrenamiento para una validación sencilla.
• Soporte de múltiples métricas: Evalúa tu modelo basándote en una gama de métricas de precisión.
• CLI y API de Python: Elige entre la interfaz de línea de comandos o la API de Python según tu preferencia para la validación.
• Compatibilidad de datos: Funciona a la perfección con conjuntos de datos utilizados durante la fase de entrenamiento, así como con conjuntos de datos personalizados.

Ejemplos de uso

Valida la precisión de un modelo YOLO26n entrenado en el conjunto de datos COCO8. No se necesitan argumentos, ya que el model conserva sus data y argumentos de entrenamiento como atributos del modelo. Consulta la sección de Argumentos a continuación para obtener una lista completa de los argumentos de validación.

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

Argumentos para la validación de modelos YOLO

Al validar modelos YOLO, puedes ajustar varios argumentos para optimizar el proceso de evaluación. Estos argumentos controlan aspectos como el tamaño de la imagen de entrada, el procesamiento por lotes y los umbrales de rendimiento. A continuación, se presenta un desglose detallado de cada argumento para ayudarte a personalizar tus ajustes de validación de manera eficaz.

Cada uno de estos ajustes desempeña un papel vital en el proceso de validación, permitiendo una evaluación personalizable y eficiente de los modelos YOLO. Ajustar estos parámetros según tus necesidades y recursos específicos puede ayudar a lograr el mejor equilibrio entre precisión y rendimiento.

Ejemplo de validación con argumentos

Los siguientes ejemplos muestran la validación de un modelo YOLO con argumentos personalizados en Python y 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}

Para más detalles, consulta la documentación de la clase DataExportMixin.

Preguntas frecuentes

¿Cómo valido mi modelo YOLO26 con Ultralytics?

Para validar tu modelo YOLO26, puedes utilizar el modo Val proporcionado por Ultralytics. Por ejemplo, usando la API de Python, puedes cargar un modelo y ejecutar la validación con:

from ultralytics import YOLO

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

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

Alternativamente, puedes usar la interfaz de línea de comandos (CLI):

yolo val model=yolo26n.pt

Para una mayor personalización, puedes ajustar varios argumentos como imgsz, batch y conf tanto en los modos de Python como de CLI. Consulta la sección Argumentos para la validación de modelos YOLO para obtener la lista completa de parámetros.

¿Qué métricas puedo obtener de la validación del modelo YOLO26?

La validación del modelo YOLO26 proporciona varias métricas clave para evaluar el rendimiento del modelo. Estas incluyen:

• mAP50 (precisión media media en el umbral de IoU 0.5)
• mAP75 (precisión media media en el umbral de IoU 0.75)
• mAP50-95 (precisión media media a través de múltiples umbrales de IoU de 0.5 a 0.95)

Usando la API de Python, puedes acceder a estas métricas de la siguiente manera:

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

Para una evaluación de rendimiento completa, es crucial revisar todas estas métricas. Para más detalles, consulta las Características clave del modo Val.

¿Cuáles son las ventajas de usar Ultralytics YOLO para la validación?

Usar Ultralytics YOLO para la validación ofrece varias ventajas:

• Precisión: YOLO26 ofrece métricas de rendimiento precisas que incluyen mAP50, mAP75 y mAP50-95.
• Conveniencia: Los modelos recuerdan sus ajustes de entrenamiento, haciendo la validación directa.
• Flexibilidad: Puedes validar contra los mismos o diferentes conjuntos de datos y tamaños de imagen.
• Ajuste de hiperparámetros: Las métricas de validación ayudan a ajustar los modelos para obtener un mejor rendimiento.

Estos beneficios aseguran que tus modelos sean evaluados minuciosamente y puedan ser optimizados para obtener resultados superiores. Aprende más sobre estas ventajas en la sección ¿Por qué validar con Ultralytics YOLO?.

¿Puedo validar mi modelo YOLO26 usando un conjunto de datos personalizado?

Sí, puedes validar tu modelo YOLO26 usando un conjunto de datos personalizado. Especifica el argumento data con la ruta a tu archivo de configuración del conjunto de datos. Este archivo debe incluir la ruta a los datos de validación.

Ejemplo en 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

Ejemplo usando CLI:

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

Para más opciones personalizables durante la validación, consulta la sección Ejemplo de validación con argumentos.

¿Cómo guardo los resultados de validación en un archivo JSON en YOLO26?

Para guardar los resultados de validación en un archivo JSON, puedes establecer el argumento save_json en True al ejecutar la validación. Esto se puede hacer tanto en la API de Python como en CLI.

Ejemplo en Python:

from ultralytics import YOLO

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

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

Ejemplo usando CLI:

yolo val model=yolo26n.pt save_json=True

Esta funcionalidad es particularmente útil para un análisis posterior o para la integración con otras herramientas. Consulta los Argumentos para la validación de modelos YOLO para más detalles.