Validación de modelos con Ultralytics YOLO#

Introducción#

La validación es un paso fundamental en el flujo de aprendizaje automático, ya que te permite evaluar la calidad de tus modelos entrenados. El modo Val de Ultralytics YOLO26 proporciona un conjunto sólido de herramientas y métricas para evaluar el rendimiento de tus modelos de detección de objetos. Esta guía es un recurso completo para comprender cómo usar eficazmente el modo Val y garantizar que tus modelos sean precisos y fiables.

Consulta la vista previa inédita de YOLO27 para ver los resultados de validación preliminares.

¿Por qué validar con Ultralytics YOLO?#

Estas son las ventajas de usar el modo Val de YOLO26:

• Precisión: Obtén métricas precisas como mAP50, mAP75 y mAP50-95 para evaluar tu modelo de forma exhaustiva.
• Comodidad: Utiliza funciones integradas que recuerdan la configuración de entrenamiento y simplifican el proceso de validación.
• Flexibilidad: Valida tu modelo con los mismos conjuntos de datos o con otros, y con distintos tamaños de imagen.
• Ajuste de hiperparámetros: Usa las métricas de validación para perfeccionar tu modelo y mejorar su rendimiento.

Funciones principales del modo Val#

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

• Configuración automatizada: Los modelos recuerdan sus configuraciones de entrenamiento para facilitar la validación.
• Compatibilidad con varias métricas: Evalúa tu modelo según un conjunto de métricas de precisión.
• API de CLI y Python: Elige entre la interfaz de línea de comandos o la API de Python según tus preferencias para la validación.
• Compatibilidad de datos: Funciona sin problemas tanto con los conjuntos de datos usados durante el entrenamiento como con conjuntos de datos personalizados.

Ejemplos de uso#

Valida la precisión de un modelo YOLO26n entrenado con el conjunto de datos COCO8. No se necesitan argumentos, ya que model conserva su data de entrenamiento y los argumentos como atributos del modelo. Consulta la sección Argumentos más abajo para ver la 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

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 las imágenes de entrada, el procesamiento por lotes y los umbrales de rendimiento. A continuación se detalla cada argumento para ayudarte a personalizar eficazmente la configuración de validación.

Cada una de estas configuraciones desempeña un papel fundamental en el proceso de validación y permite una evaluación personalizable y eficiente de los modelos YOLO. Ajustar estos parámetros según tus necesidades y recursos específicos puede ayudarte a lograr el mejor equilibrio entre precisión y rendimiento.

Ejemplo de validación con argumentos#

Los ejemplos siguientes 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}

El objeto de métricas devuelto también expone asistentes de exportación para el análisis posterior:

Para obtener más información, consulta la documentación de la clase DataExportMixin.

¿Y ahora qué?#

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

Preguntas frecuentes#