Validation des modèles avec Ultralytics YOLO#

Introduction#

La validation est une étape essentielle du pipeline de machine learning, qui te permet d’évaluer la qualité de tes modèles entraînés. Le mode Val d’Ultralytics YOLO26 fournit une suite robuste d’outils et de métriques pour évaluer les performances de tes modèles de détection d’objets. Ce guide constitue une ressource complète pour comprendre comment utiliser efficacement le mode Val afin de garantir que tes modèles sont à la fois précis et fiables.

Consulte la préversion de YOLO27 non publiée pour les résultats de validation préliminaires.

Pourquoi effectuer une validation avec Ultralytics YOLO ?#

Voici pourquoi l’utilisation du mode Val de YOLO26 est avantageuse :

• Précision : Obtiens des métriques précises telles que mAP50, mAP75 et mAP50-95 pour évaluer ton modèle de manière complète.
• Simplicité : Utilise les fonctionnalités intégrées qui mémorisent les paramètres d’entraînement et simplifient le processus de validation.
• Flexibilité : Valide ton modèle avec les mêmes jeux de données ou avec des jeux de données différents, ainsi qu’avec des tailles d’image différentes.
• Optimisation des hyperparamètres : Utilise les métriques de validation pour affiner ton modèle et améliorer ses performances.

Fonctionnalités clés du mode Val#

Voici les principales fonctionnalités proposées par le mode Val de YOLO26 :

• Paramètres automatisés : Les modèles mémorisent leurs configurations d’entraînement pour simplifier la validation.
• Prise en charge de plusieurs métriques : Évalue ton modèle à l’aide de diverses métriques de précision.
• CLI et API Python : Choisis l’interface de ligne de commande ou l’API Python selon tes préférences pour la validation.
• Compatibilité des données : Fonctionne parfaitement avec les jeux de données utilisés pendant l’entraînement ainsi qu’avec les jeux de données personnalisés.

Exemples d’utilisation#

Valide la précision d’un modèle YOLO26n entraîné sur le jeu de données COCO8. Aucun argument n’est nécessaire, car le model conserve son data d’entraînement ainsi que ses arguments comme attributs du modèle. Consulte la section Arguments ci-dessous pour obtenir la liste complète des arguments de validation.

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

Arguments pour la validation des modèles YOLO#

Lors de la validation des modèles YOLO, plusieurs arguments peuvent être ajustés pour optimiser le processus d’évaluation. Ces arguments contrôlent notamment la taille des images d’entrée, le traitement par lots et les seuils de performance. Tu trouveras ci-dessous une description détaillée de chaque argument pour personnaliser efficacement tes paramètres de validation.

Chacun de ces paramètres joue un rôle essentiel dans le processus de validation et permet une évaluation personnalisable et efficace des modèles YOLO. Ajuster ces paramètres en fonction de tes besoins et de tes ressources spécifiques peut aider à trouver le meilleur équilibre entre précision et performances.

Exemple de validation avec des arguments#

Les exemples ci-dessous montrent la validation de modèles YOLO avec des arguments personnalisés en Python et via la 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}

L'objet de métriques renvoyé expose également des fonctions d'aide à l'exportation pour l'analyse en aval :

Pour plus de détails, consulte la documentation de la classe DataExportMixin.

Et ensuite ?#

Satisfait des métriques ? Exporte le modèle vers un format de déploiement. Si la précision n’est pas satisfaisante, reviens en arrière et réentraîne-le avec des hyperparamètres différents ou davantage de données d’entraînement.

FAQ#