Validación de modelos con Ultralytics YOLO#

Introducción#

La validación es un paso fundamental en el flujo de trabajo de machine learning, ya que te permite evaluar la calidad de tus modelos entrenados. El modo Val en Ultralytics YOLO26 ofrece un conjunto sólido de herramientas y métricas para evaluar el rendimiento de tus modelos de object detection. Esta guía sirve como un recurso completo para entender cómo utilizar eficazmente el modo Val y garantizar que tus modelos sean precisos y fiables.

¿Por qué validar con Ultralytics YOLO?#

He aquí por qué usar el modo Val de YOLO26 es ventajoso:

• Precisión: Obtén métricas precisas como mAP50, mAP75 y mAP50-95 para evaluar tu modelo de manera integral.
• Comodidad: 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.
• Hyperparameter Tuning: Utiliza las métricas de validación para ajustar tu modelo y obtener un mejor rendimiento.

Características clave del modo Val#

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

• Ajustes automatizados: Los modelos recuerdan sus configuraciones de entrenamiento para una validación directa.
• Soporte multimétrica: Evalúa tu modelo basándote en una gama de métricas de precisión.
• API de Python y CLI: Elige entre la interfaz de línea de comandos o la API de Python según tu preferencia para la validación.
• Compatibilidad de datos: Funciona sin problemas con los 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 su data y sus argumentos como atributos del modelo. Consulta la sección de argumentos más abajo para ver 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, se pueden 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 eficazmente tus ajustes de validación.

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 modelos 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.

Qué sigue#

¿Estás satisfecho con las métricas? Exporta el modelo a un formato de despliegue. Si la precisión no es la esperada, vuelve atrás y reentrena con diferentes hiperparámetros o más datos de entrenamiento.

FAQ#