Validation de modèles avec Ultralytics YOLO#

Introduction#

La validation est une étape essentielle du pipeline d’apprentissage automatique, qui te permet d’évaluer la qualité de tes modèles entraînés. Le mode Val d’Ultralytics YOLO26 propose une suite complète d’outils et de métriques pour évaluer les performances de tes modèles de détection d’objets. Ce guide est une ressource complète pour comprendre comment utiliser efficacement le mode Val et garantir la précision et la fiabilité de tes modèles.

Consulte l’aperçu préliminaire de YOLO27 non publié pour connaître les premiers résultats de validation.

Pourquoi valider avec Ultralytics YOLO ?#

Voici pourquoi le mode Val de YOLO26 est avantageux :

• Précision : Obtiens des métriques précises comme mAP50, mAP75 et mAP50-95 pour évaluer ton modèle de manière exhaustive.
• Simplicité : Utilise les fonctionnalités intégrées qui mémorisent les paramètres d’entraînement, ce qui simplifie le processus de validation.
• Flexibilité : Valide ton modèle avec les mêmes jeux de données ou des jeux différents, et avec des tailles d’image identiques ou 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 du mode Val de YOLO26 :

• Paramètres automatisés : Les modèles mémorisent leurs configurations d’entraînement pour faciliter 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 en 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 des jeux de données personnalisés.

Exemples d'utilisation#

Valide la précision d’un modèle YOLO26n entraîné. Aucun argument n’est nécessaire, car model conserve data ainsi que les arguments d’entraînement comme attributs du modèle : path/to/best.pt effectue la validation sur le jeu de données utilisé pour l’entraînement. Les poids officiels enregistrent le chemin d’accès à un jeu de données d’entraînement qui n’existe pas sur ta machine ; ils utilisent donc par défaut coco8.yaml, le jeu de données associé à la tâche, et affichent un avertissement. Passe data pour valider le modèle sur un autre jeu de données. Consulte la section Arguments ci-dessous pour obtenir la liste complète des arguments de validation.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.pt")  # charger un modèle officiel
model = YOLO("path/to/best.pt")  # charger un modèle personnalisé

# Valider le modèle
metrics = model.val()  # aucun argument nécessaire, le jeu de données et les paramètres sont mémorisés
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # une liste contenant mAP50-95 pour chaque catégorie
metrics.box.image_metrics  # dictionnaire de métriques par image comprenant la précision, le rappel, le F1, les TP, FP et 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 d’évaluer les modèles YOLO de manière personnalisable et efficace. Ajuster ces paramètres en fonction de tes besoins et de tes ressources peut t’aider à trouver le meilleur équilibre entre précision et performances.

Exemple de validation avec des arguments#

Les exemples ci-dessous présentent la validation d’un modèle YOLO avec des arguments personnalisés en Python et via la CLI.

from ultralytics import YOLO

# Charger un modèle
model = YOLO("yolo26n.pt")

# Personnaliser les paramètres de validation
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

# Charger un modèle
model = YOLO("yolo26n.pt")

# Valider et accéder aux métriques par image
results = model.val(data="coco8.yaml")

# image_metrics est un dictionnaire dont les clés sont les noms de fichiers image
print(results.box.image_metrics)
# Sortie : {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Accéder aux métriques d’une image spécifique
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 fournit également des méthodes d’exportation pour les analyses ultérieures :

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

Et ensuite ?#

Les métriques te conviennent ? Exporte le modèle dans un format de déploiement. Si la précision n’est pas satisfaisante, reprends l’entraînement avec des hyperparamètres différents ou davantage de données d’entraînement.

FAQ#