Validación de modelos con Ultralytics YOLO

Introducción

La validación es un paso fundamental en el proceso de aprendizaje automático, ya que permite evaluar la calidad de los modelos entrenados. El modo Val de Ultralytics YOLO11 proporciona un sólido conjunto de herramientas y métricas para evaluar el rendimiento de sus modelos de detección de objetos. Esta guía es un recurso completo para comprender cómo utilizar eficazmente el modo Val para garantizar que sus modelos son precisos y fiables.

Observa: Ultralytics Tutorial de Modos: Validación

¿Por qué validar con Ultralytics YOLO ?

He aquí por qué es ventajoso utilizar el modo Val de YOLO11:

• Precisión: Obtenga métricas precisas como mAP50, mAP75 y mAP50-95 para evaluar exhaustivamente su modelo.
• Comodidad: Utiliza funciones integradas que recuerdan los ajustes de entrenamiento, simplificando el proceso de validación.
• Flexibilidad: Valide su modelo con los mismos o diferentes conjuntos de datos y tamaños de imagen.
• Ajuste de hiperparámetros: Utilice las métricas de validación para ajustar su modelo y obtener un mejor rendimiento.

Características principales del modo Val

Estas son las funcionalidades destacadas que ofrece el modo Val de YOLO11:

• Configuraciones automatizadas: Los modelos recuerdan sus configuraciones de entrenamiento para una validación directa.
• Soporte multimétrico: Evalúe su modelo en función de una serie de métricas de precisión.
• CLI y Python API: Elija entre la interfaz de línea de comandos o la API Python en función de sus preferencias de 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

Validación del modelo YOLO11n entrenado precisión en el conjunto de datos COCO8. No se necesitan argumentos, ya que el model conserva su formación data y los argumentos como atributos del modelo. Consulte la sección Argumentos para obtener una lista completa de los argumentos de exportación.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.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 contains map50-95 of each category

yolo detect val model=yolo11n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Argumentos para la validación de modelos YOLO

Al validar los modelos de YOLO , pueden ajustarse 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 ofrece un desglose detallado de cada argumento para ayudarle a personalizar eficazmente los 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 de YOLO . Ajustar estos parámetros en función de sus 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 del modelo YOLO con argumentos personalizados en Python y CLI.

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Customize validation settings
validation_results = model.val(data="coco8.yaml", imgsz=640, batch=16, conf=0.25, iou=0.6, device="0")

yolo val model=yolo11n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

PREGUNTAS FRECUENTES

¿Cómo puedo validar mi modelo YOLO11 con Ultralytics?

Para validar su modelo YOLO11 , puede utilizar el modo Val proporcionado por Ultralytics. Por ejemplo, utilizando la API Python , puede cargar un modelo y ejecutar la validación con:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

También puede utilizar la interfaz de línea de comandos (CLI):

yolo val model=yolo11n.pt

Para una mayor personalización, puede ajustar varios argumentos como imgsz, batchy conf en los modos Python y CLI . Compruebe la Argumentos para la validación de modelos YOLO para consultar la lista completa de parámetros.

¿Qué métricas puedo obtener de la validación del modelo YOLO11 ?

YOLO11 La validación de modelos proporciona varias métricas clave para evaluar el rendimiento de los modelos. Entre ellos se incluyen:

• mAP50 (Precisión media en el umbral IoU 0,5)
• mAP75 (Precisión media en el umbral IoU 0,75)
• mAP50-95 (precisión media en varios umbrales de IoU de 0,5 a 0,95)

A través de la API Python , puede 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

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

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

El uso de Ultralytics YOLO para la validación ofrece varias ventajas:

• Precisión: YOLO11 ofrece métricas de rendimiento precisas que incluyen mAP50, mAP75 y mAP50-95.
• Comodidad: Los modelos recuerdan sus ajustes de entrenamiento, lo que facilita la validación.
• Flexibilidad: Puede validar contra el mismo o diferentes conjuntos de datos y tamaños de imagen.
• Ajuste de hiperparámetros: Las métricas de validación ayudan a ajustar los modelos para mejorar su rendimiento.

Estas ventajas garantizan que sus modelos se evalúen a fondo y puedan optimizarse para obtener resultados superiores. Obtenga más información sobre estas ventajas en la sección Por qué validar con Ultralytics YOLO .

¿Puedo validar mi modelo YOLO11 utilizando un conjunto de datos personalizado?

Sí, puede validar su modelo YOLO11 utilizando un conjunto de datos personalizado. Especifique el data con la ruta al archivo de configuración del conjunto de datos. Este archivo debe incluir las rutas a los archivos datos de validaciónnombres de clase y otros detalles relevantes.

Ejemplo en Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

Ejemplo con CLI:

yolo val model=yolo11n.pt data=path/to/your/custom_dataset.yaml

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

¿Cómo puedo guardar los resultados de la validación en un archivo JSON en YOLO11?

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

Ejemplo en Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo11n.pt")

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

Ejemplo con CLI:

yolo val model=yolo11n.pt save_json=True

Esta funcionalidad es especialmente útil para análisis posteriores o para la integración con otras herramientas. Consulte los Argumentos para la validación de modelos de YOLO para obtener más detalles.

Creado hace 1 año ✏️ Actualizado hace 2 meses

Comentarios