Validación del modelo con Ultralytics YOLO

Introducción

Validation is a critical step in the machine learning pipeline, allowing you to assess the quality of your trained models. Val mode in Ultralytics YOLO11 provides a robust suite of tools and metrics for evaluating the performance of your object detection models. This guide serves as a complete resource for understanding how to effectively use the Val mode to ensure that your models are both accurate and reliable.

Observa: Ultralytics Tutorial de Modos: Validación

¿Por qué validar con Ultralytics YOLO ?

Here's why using YOLO11's Val mode is advantageous:

• Precisión: Obtén métricas precisas como mAP50, mAP75 y mAP50-95 para evaluar exhaustivamente tu modelo.
• Comodidad: Utiliza funciones integradas que recuerden 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: Use validation metrics to fine-tune your model for better performance.

Características principales del modo Val

These are the notable functionalities offered by YOLO11's Val mode:

• Configuraciones automatizadas: Los modelos recuerdan sus configuraciones de entrenamiento para una validación sencilla.
• Soporte multimétrico: Evalúa tu modelo basándote en una serie de métricas de precisión.
• CLI y la API Python : Elige entre la interfaz de línea de comandos o la API Python en función de tus preferencias de validación.
• Compatibilidad de datos: Funciona perfectamente con los conjuntos de datos utilizados durante la fase de entrenamiento, así como con conjuntos de datos personalizados.

Ejemplos de uso

Validate trained YOLO11n model accuracy on the COCO8 dataset. No arguments are needed as the model conserva su formación data y los argumentos como atributos del modelo. Consulta la sección Argumentos para ver 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 del modelo YOLO

Al validar los 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 ofrece 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 eficaz de los modelos YOLO . Ajustar estos parámetros según tus necesidades y recursos específicos puede ayudarte a conseguir 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

How do I validate my YOLO11 model with Ultralytics?

To validate your YOLO11 model, you can use the Val mode provided by Ultralytics. For example, using the Python API, you can load a model and run validation with:

from ultralytics import YOLO

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

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

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

yolo val model=yolo11n.pt

Para una mayor personalización, puedes ajustar varios argumentos como imgsz, batchy conf en los modos Python y CLI . Comprueba Argumentos para la validación del modelo YOLO para ver la lista completa de parámetros.

What metrics can I get from YOLO11 model validation?

YOLO11 model validation provides several key metrics to assess model performance. These include:

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

Utilizando la API Python , puedes acceder a estas métricas del siguiente modo:

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, consulta las Características principales del Modo Val.

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

Utilizar Ultralytics YOLO para la validación ofrece varias ventajas:

• Precision: YOLO11 offers accurate performance metrics including mAP50, mAP75, and mAP50-95.
• Comodidad: Los modelos recuerdan sus ajustes de entrenamiento, lo que facilita la validación.
• Flexibilidad: Puedes validar con los mismos 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 tus modelos se evalúen a fondo y puedan optimizarse para obtener resultados superiores. Obtén más información sobre estas ventajas en la sección Por qué validar con Ultralytics YOLO .

Can I validate my YOLO11 model using a custom dataset?

Yes, you can validate your YOLO11 model using a custom dataset. Specify the data argument with the path to your dataset configuration file. This file should include paths to the validation data, class names, and other relevant details.

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 utilizando CLI:

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

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

How do I save validation results to a JSON file in YOLO11?

Para guardar los resultados de la validación en un archivo JSON, puedes establecer la opción 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 utilizando CLI:

yolo val model=yolo11n.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 del modelo YOLO para más detalles.

📅 Created 11 months ago ✏️ Updated 11 days ago

Comentarios