Validation de modèle avec Ultralytics YOLO

Introduction

La validation est une étape essentielle du pipeline d'apprentissage automatique, vous permettant d'évaluer la qualité de vos modèles entraînés. Le mode Val dans Ultralytics YOLO11 fournit une suite robuste d'outils et de métriques pour évaluer la performance de vos modèles de détection d'objets. Ce guide sert de ressource complète pour comprendre comment utiliser efficacement le mode Val afin de garantir que vos modèles sont à la fois précis et fiables.

Regarder : Tutoriel sur les modes Ultralytics : Validation

Pourquoi valider avec Ultralytics YOLO ?

Voici pourquoi l'utilisation du mode Val de YOLO11 est avantageuse :

• Précision : Obtenez des métriques précises telles que mAP50, mAP75 et mAP50-95 pour évaluer de manière exhaustive votre modèle.
• Commodité : Utilisez des fonctionnalités intégrées qui mémorisent les paramètres d'entraînement, simplifiant ainsi le processus de validation.
• Flexibilité : Validez votre modèle avec les mêmes ensembles de données et tailles d'image, ou avec des ensembles différents.
• Réglage des hyperparamètres : Utilisez les métriques de validation pour affiner votre modèle et améliorer ses performances.

Principales fonctionnalités du mode Val

Voici les fonctionnalités notables offertes par le mode Val de YOLO11 :

• Paramètres automatisés : Les modèles mémorisent leurs configurations d'entraînement pour une validation simple.
• Prise en charge de plusieurs métriques : Évaluez votre modèle en fonction d'un éventail de métriques de précision.
• CLI et API python : Choisissez l'interface de ligne de commande ou l'API python selon votre préférence pour la validation.
• Compatibilité des données : Fonctionne de manière transparente avec les ensembles de données utilisés pendant la phase d'entraînement ainsi qu'avec les ensembles de données personnalisés.

Exemples d'utilisation

Valider le modèle YOLO11n entraîné précision sur l'ensemble de données COCO8. Aucun argument n'est nécessaire car le model conserve son entraînement data et les arguments en tant qu'attributs du modèle. Consultez la section Arguments ci-dessous pour obtenir une liste complète des arguments de validation.

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

Arguments pour la validation du modèle YOLO

Lors de la validation des modèles YOLO, plusieurs arguments peuvent être affinés pour optimiser le processus d'évaluation. Ces arguments contrôlent des aspects tels que la taille de l'image d'entrée, le traitement par lots et les seuils de performance. Vous trouverez ci-dessous une description détaillée de chaque argument pour vous aider à personnaliser efficacement vos paramètres de validation.

Chacun de ces paramètres joue un rôle essentiel dans le processus de validation, permettant une évaluation personnalisable et efficace des modèles YOLO. L'ajustement de ces paramètres en fonction de vos besoins et ressources spécifiques peut vous aider à atteindre le meilleur équilibre entre précision et performance.

Exemple de validation avec des arguments

Regarder : Comment exporter les résultats de la validation du modèle en CSV, JSON, SQL, Polars DataFrame, etc.

Les exemples ci-dessous présentent la validation du modèle YOLO avec des arguments personnalisés en python et en CLI.

from ultralytics import YOLO

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

# Customize validation settings
metrics = 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

from ultralytics import YOLO

model = YOLO("yolo11n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())

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

FAQ

Comment valider mon modèle YOLO11 avec Ultralytics ?

Pour valider votre modèle YOLO11, vous pouvez utiliser le mode Val fourni par Ultralytics. Par exemple, en utilisant l'API python, vous pouvez charger un modèle et exécuter la validation avec :

from ultralytics import YOLO

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

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

Vous pouvez également utiliser l'interface de ligne de commande (CLI) :

yolo val model=yolo11n.pt

Pour une personnalisation plus poussée, vous pouvez ajuster divers arguments comme imgsz, batch, et conf dans les modes python et CLI. Consultez la Arguments pour la validation du modèle YOLO section pour la liste complète des paramètres.

Quelles mesures puis-je obtenir de la validation du modèle YOLO11 ?

La validation du modèle YOLO11 fournit plusieurs métriques clés pour évaluer les performances du modèle. Ceux-ci inclus:

• mAP50 (précision moyenne moyenne au seuil IoU 0,5)
• mAP75 (précision moyenne moyenne au seuil IoU de 0,75)
• mAP50-95 (précision moyenne moyenne sur plusieurs seuils IoU de 0,5 à 0,95)

En utilisant l'API python, vous pouvez accéder à ces métriques comme suit :

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

Pour une évaluation complète des performances, il est essentiel d'examiner toutes ces métriques. Pour plus de détails, consultez les Principales caractéristiques du mode Val.

Quels sont les avantages de l'utilisation d'Ultralytics YOLO pour la validation ?

L'utilisation d'Ultralytics YOLO pour la validation offre plusieurs avantages :

• Précision : YOLO11 offre des métriques de performance précises, notamment mAP50, mAP75 et mAP50-95.
• Commodité : Les modèles mémorisent leurs paramètres d'entraînement, ce qui simplifie la validation.
• Flexibilité : Vous pouvez effectuer la validation par rapport aux mêmes ensembles de données ou à des ensembles différents, ainsi qu'avec différentes tailles d'image.
• Optimisation des hyperparamètres : Les métriques de validation aident à affiner les modèles pour de meilleures performances.

Ces avantages garantissent que vos modèles sont évalués de manière approfondie et peuvent être optimisés pour des résultats supérieurs. Pour en savoir plus sur ces avantages, consultez la section Pourquoi valider avec Ultralytics YOLO.

Puis-je valider mon modèle YOLO11 en utilisant un ensemble de données personnalisé ?

Oui, vous pouvez valider votre modèle YOLO11 en utilisant un ensemble de données personnalisé. Spécifiez l'argument data avec le chemin d'accès à votre fichier de configuration d'ensemble de données. Ce fichier doit inclure les chemins d'accès aux validation, les noms de classe et d'autres détails pertinents.

Exemple 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

Exemple d'utilisation de la CLI :

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

Pour des options plus personnalisables lors de la validation, consultez la section Exemple de validation avec des arguments.

Comment enregistrer les résultats de la validation dans un fichier JSON dans YOLO11 ?

Pour enregistrer les résultats de la validation dans un fichier JSON, vous pouvez définir le save_json sur True lors de l'exécution de la validation. Cela peut être fait à la fois dans l'API python et dans la CLI.

Exemple en python :

from ultralytics import YOLO

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

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

Exemple d'utilisation de la CLI :

yolo val model=yolo11n.pt save_json=True

Cette fonctionnalité est particulièrement utile pour une analyse plus approfondie ou une intégration avec d'autres outils. Consultez les Arguments pour la validation du modèle YOLO pour plus de détails.

📅 Créé il y a 1 an ✏️ Mis à jour il y a 5 jours

Commentaires