Link to this sectionValidación de modelos con Ultralytics YOLO#

Link to this sectionIntroducción#

La validación es un paso crítico en el flujo de trabajo de machine learning, 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 object detection. Esta guía sirve como un recurso completo para entender cómo utilizar eficazmente el modo Val para asegurar que tus modelos sean precisos y fiables.

Link to this section¿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 métricas de validación para ajustar tu modelo y obtener un mejor rendimiento.

Link to this sectionCaracterísticas 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.

Link to this sectionEjemplos de uso#

Valida la accuracy de un modelo YOLO26n entrenado en el conjunto de datos COCO8. No se necesitan argumentos, ya que el model conserva su data de entrenamiento y sus argumentos como atributos del modelo. Consulta la sección de Argumentos más abajo para ver una lista completa de 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

Link to this sectionArgumentos 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.

Link to this sectionEjemplo 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.

Link to this sectionFAQ#

Link to this section¿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 Python como CLI. Consulta la sección Argumentos para la validación de modelos YOLO para obtener la lista completa de parámetros.

Link to this section¿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 IoU de 0.5)
• mAP75 (precisión media media en el umbral IoU de 0.75)
• mAP50-95 (precisión media media en múltiples umbrales de IoU desde 0.5 hasta 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 completa del rendimiento, es crucial revisar todas estas métricas. Para más detalles, consulta las Características clave del modo Val.

Link to this section¿Cuáles son las ventajas de utilizar Ultralytics YOLO para la validación?#

Utilizar Ultralytics YOLO para la validación ofrece varias ventajas:

• Precision: YOLO26 ofrece métricas de rendimiento precisas incluyendo mAP50, mAP75 y mAP50-95.
• Comodidad: Los modelos recuerdan sus ajustes de entrenamiento, haciendo que la validación sea sencilla.
• Flexibilidad: Puedes validar con los mismos o diferentes conjuntos de datos y tamaños de imagen.
• Hyperparameter Tuning: 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?.

Link to this section¿Puedo validar mi modelo YOLO26 usando un conjunto de datos personalizado?#

Sí, puedes validar tu modelo YOLO26 utilizando 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.

Link to this section¿Cómo guardo los resultados de la validación en un archivo JSON en YOLO26?#

Para guardar los resultados de la validación en un archivo JSON, puedes establecer el argumento save_json como 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 especialmente útil para análisis posteriores o para la integración con otras herramientas. Consulta los Argumentos para la validación de modelos YOLO para más detalles.