Validation du modèle avec Ultralytics YOLO

Introduction

La validation est une étape critique du pipeline d'apprentissage automatique, qui te permet d'évaluer la qualité de tes modèles entraînés. Le mode Val du site Ultralytics YOLOv8 fournit une suite robuste d'outils et de mesures 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 s'assurer que tes modèles sont à la fois précis et fiables.

Regarde : Ultralytics Tutoriel sur les modes : Validation

Pourquoi valider avec Ultralytics YOLO ?

Voici pourquoi il est avantageux d'utiliser le mode Val de YOLOv8:

• Précision : Obtiens des mesures précises comme mAP50, mAP75 et mAP50-95 pour évaluer ton modèle de façon complète.
• Pratique : Utilise les fonctions intégrées qui se souviennent des paramètres de formation, ce qui simplifie le processus de validation.
• Flexibilité : Valide ton modèle avec des jeux de données et des tailles d'images identiques ou différents.
• Réglage des hyperparamètres : Utilise les mesures de validation pour affiner ton modèle afin d'obtenir de meilleures performances.

Caractéristiques principales de Val Mode

Ce sont les fonctionnalités notables offertes par le mode Val de YOLOv8:

• Réglages automatisés : Les modèles se souviennent de leurs configurations d'entraînement pour une validation simple.
• Soutien multi-métrique : Évalue ton modèle en fonction d'une série de mesures de précision.
• CLI et Python API : Choisis l'interface en ligne de commande ou l'API Python en fonction de tes préférences en matière de validation.
• Compatibilité des données : Fonctionne de façon transparente avec les ensembles de données utilisés pendant la phase de formation ainsi qu'avec les ensembles de données personnalisés.

Exemples d'utilisation

Valide la précision du modèle YOLOv8n entraîné sur le jeu de données COCO8. Aucun argument n'a besoin d'être passé en tant que model conserve sa formation data et les arguments en tant qu'attributs du modèle. Voir la section Arguments ci-dessous pour une liste complète des arguments d'exportation.

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt  # val official model
yolo detect val model=path/to/best.pt  # val custom model

Arguments en faveur de la validation du modèle YOLO

Lors de la validation des modèles YOLO , plusieurs arguments peuvent être ajustés 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. Tu trouveras ci-dessous une description détaillée de chaque argument pour t'aider à personnaliser efficacement tes 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 tes besoins et de tes ressources spécifiques peut permettre d'atteindre le meilleur équilibre entre précision et performance.

Exemple de validation avec des arguments

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

from ultralytics import YOLO

# Load a model
model = YOLO('yolov8n.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=yolov8n.pt data=coco8.yaml imgsz=640 batch=16 conf=0.25 iou=0.6 device=0

Commentaires