Validación de modelos con Ultralytics YOLO#

Introducción#

La validación es un paso fundamental en el flujo de trabajo del aprendizaje automático, ya que permite evaluar la calidad de los modelos entrenados. El modo Val de Ultralytics YOLO26 ofrece un conjunto sólido de herramientas y métricas para evaluar el rendimiento de los modelos de detección de objetos. Esta guía es un recurso completo para aprender a usar el modo Val de forma eficaz y asegurarte de que tus modelos sean precisos y fiables.

Consulta la vista previa de YOLO27, aún no publicada para ver los resultados preliminares de validación.

¿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: Aprovecha las funciones integradas que recuerdan los ajustes del entrenamiento y simplifican el proceso de validación.
• Flexibilidad: Valida tu modelo con los mismos conjuntos de datos o con otros distintos, y con tamaños de imagen iguales o diferentes.
• Ajuste de hiperparámetros: Usa las métricas de validación para ajustar tu modelo y mejorar su rendimiento.

Características principales 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 facilitar la validación.
• Compatibilidad con varias métricas: Evalúa tu modelo mediante diversas métricas de precisión.
• CLI y API de Python: Elige entre la interfaz de línea de comandos y 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. No hacen falta argumentos, ya que model conserva el data y los argumentos del entrenamiento como atributos del modelo: path/to/best.pt valida con el conjunto de datos con el que se entrenó. Los pesos oficiales registran una ruta al conjunto de datos de entrenamiento que no existe en tu equipo, por lo que recurren al coco8.yaml predeterminado de la tarea y muestran una advertencia. Pasa data para validar con otro conjunto de datos. Consulta la sección Argumentos más abajo para ver la lista completa de argumentos de validación.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n.pt")  # carga un modelo oficial
model = YOLO("path/to/best.pt")  # cargar un modelo personalizado

# Valida el modelo
metrics = model.val()  # no hacen falta argumentos; se recuerdan el conjunto de datos y los ajustes
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # una lista que contiene mAP50-95 para cada categoría
metrics.box.image_metrics  # diccionario de métricas por imagen con precisión, exhaustividad, F1, TP, FP y 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 detalla cada argumento para ayudarte a personalizar los ajustes de validación de forma eficaz.

Cada uno de estos ajustes desempeña un papel fundamental en el proceso de validación y permite evaluar los modelos YOLO de forma personalizable y eficiente. Si adaptas estos parámetros a tus necesidades y recursos concretos, podrás lograr el mejor equilibrio entre precisión y rendimiento.

Ejemplo de validación con argumentos#

Los siguientes ejemplos muestran cómo validar un modelo YOLO con argumentos personalizados en Python y CLI.

from ultralytics import YOLO

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

# Personaliza los ajustes de validación
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

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

# Valida y accede a las métricas por imagen
results = model.val(data="coco8.yaml")

# image_metrics es un diccionario que usa los nombres de archivo de imagen como claves
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Accede a las métricas de una imagen concreta
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 incluye métodos de exportación para análisis posteriores:

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

Qué hacer a continuación#

¿Te convencen las métricas? Exporta el modelo a un formato de despliegue. Si la precisión no es la adecuada, vuelve atrás y entrena de nuevo con hiperparámetros distintos o más datos de entrenamiento.

Preguntas frecuentes#