मॉडल सत्यापन के साथ Ultralytics YOLO

परिचय

मशीन लर्निंग पाइपलाइन में सत्यापन एक महत्वपूर्ण कदम है, जिससे आप अपने प्रशिक्षित मॉडल की गुणवत्ता का आकलन कर सकते हैं। वैल मोड में Ultralytics YOLOv8 आपके ऑब्जेक्ट डिटेक्शन मॉडल के प्रदर्शन का मूल्यांकन करने के लिए टूल और मेट्रिक्स का एक मजबूत सूट प्रदान करता है। यह मार्गदर्शिका यह समझने के लिए एक संपूर्ण संसाधन के रूप में कार्य करती है कि वैल मोड का प्रभावी ढंग से उपयोग कैसे करें ताकि यह सुनिश्चित हो सके कि आपके मॉडल सटीक और विश्वसनीय दोनों हैं।

सतर्कता: Ultralytics मोड ट्यूटोरियल: सत्यापन

के साथ मान्य क्यों करें Ultralytics YOLO?

यहाँ क्यों उपयोग कर रहा है YOLOv8वैल मोड फायदेमंद है:

• यथार्थता: अपने मॉडल का व्यापक मूल्यांकन करने के लिए mAP50, mAP75, और mAP50-95 जैसे सटीक मीट्रिक प्राप्त करें।
• सुविधा: अंतर्निहित सुविधाओं का उपयोग करें जो प्रशिक्षण सेटिंग्स को याद रखती हैं, सत्यापन प्रक्रिया को सरल बनाती हैं।
• लचीलापन: अपने मॉडल को समान या अलग-अलग डेटासेट और छवि आकारों के साथ मान्य करें।
• हाइपरपैरामीटर ट्यूनिंग: बेहतर प्रदर्शन के लिए अपने मॉडल को फ़ाइन-ट्यून करने के लिए सत्यापन मीट्रिक का उपयोग करें.

वैल मोड की मुख्य विशेषताएं

ये द्वारा प्रदान की जाने वाली उल्लेखनीय कार्यक्षमताएं हैं YOLOv8वैल मोड:

• स्वचालित सेटिंग्स: मॉडल सीधे सत्यापन के लिए अपने प्रशिक्षण विन्यास को याद करते हैं।
• बहु-मीट्रिक समर्थन: सटीकता मीट्रिक की एक श्रृंखला के आधार पर अपने मॉडल का मूल्यांकन करें।
• CLI और Python API: कमांड-लाइन इंटरफ़ेस में से चुनें या Python सत्यापन के लिए आपकी प्राथमिकता के आधार पर एपीआई।
• डेटा संगतता: प्रशिक्षण चरण के साथ-साथ कस्टम डेटासेट के दौरान उपयोग किए जाने वाले डेटासेट के साथ निर्बाध रूप से काम करता है।

उपयोग के उदाहरण

प्रशिक्षित मान्य करें YOLOv8n COCO8 डेटासेट पर मॉडल सटीकता। किसी तर्क को पारित करने की आवश्यकता नहीं है model अपने प्रशिक्षण को बरकरार रखता है data और मॉडल विशेषताओं के रूप में तर्क। निर्यात तर्कों की पूरी सूची के लिए नीचे तर्क अनुभाग देखें।

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

के लिए तर्क YOLO मॉडल सत्यापन

मान्य करते समय YOLO मॉडल, मूल्यांकन प्रक्रिया को अनुकूलित करने के लिए कई तर्कों को ठीक किया जा सकता है। ये तर्क इनपुट छवि आकार, बैच प्रसंस्करण और प्रदर्शन थ्रेसहोल्ड जैसे पहलुओं को नियंत्रित करते हैं। नीचे प्रत्येक तर्क का विस्तृत विश्लेषण दिया गया है, जिसकी सहायता से आप अपनी सत्यापन सेटिंग को प्रभावी ढंग से अनुकूलित कर सकते हैं.

इनमें से प्रत्येक सेटिंग सत्यापन प्रक्रिया में एक महत्वपूर्ण भूमिका निभाती है, जिससे अनुकूलन योग्य और कुशल मूल्यांकन की अनुमति मिलती है YOLO मॉडल। अपनी विशिष्ट आवश्यकताओं और संसाधनों के अनुसार इन मापदंडों को समायोजित करने से सटीकता और प्रदर्शन के बीच सर्वोत्तम संतुलन प्राप्त करने में मदद मिल सकती है।

तर्कों के साथ उदाहरण सत्यापन

नीचे दिए गए उदाहरण दिखाते हैं YOLO में कस्टम तर्कों के साथ मॉडल सत्यापन Python और 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

अक्सर पूछे जाने वाले प्रश्न

मैं अपने को कैसे मान्य करूं YOLOv8 के साथ मॉडल Ultralytics?

अपने को मान्य करने के लिए YOLOv8 मॉडल, आप द्वारा प्रदान किए गए वैल मोड का उपयोग कर सकते हैं Ultralytics. उदाहरण के लिए, Python एपीआई, आप एक मॉडल लोड कर सकते हैं और सत्यापन चला सकते हैं:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

वैकल्पिक रूप से, आप आदेश-पंक्ति इंटरफ़ेस (CLI):

yolo val model=yolov8n.pt

आगे के अनुकूलन के लिए, आप विभिन्न तर्कों को समायोजित कर सकते हैं जैसे imgsz, batchऔर conf दोनों में Python और CLI मोड। जाँच गर्नुहोस् के लिए तर्क YOLO मॉडल सत्यापन पैरामीटर की पूरी सूची के लिए अनुभाग।

मुझे कौन-कौन से मीट्रिक मिल सकते हैं YOLOv8 मॉडल सत्यापन?

YOLOv8 मॉडल सत्यापन मॉडल प्रदर्शन का आकलन करने के लिए कई प्रमुख मीट्रिक प्रदान करता है। इसमे शामिल है:

• mAP50 (IoU थ्रेशोल्ड 0.5 पर औसत परिशुद्धता)
• mAP75 (IoU थ्रेशोल्ड 0.75 पर औसत परिशुद्धता)
• mAP50-95 (0.5 से 0.95 तक कई IoU थ्रेसहोल्ड में औसत परिशुद्धता)

का उपयोग करना Python API, आप इन मेट्रिक्स को निम्नानुसार एक्सेस कर सकते हैं:

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

संपूर्ण प्रदर्शन मूल्यांकन के लिए, इन सभी मीट्रिक की समीक्षा करना महत्वपूर्ण है। अधिक जानकारी के लिए, वैल मोड की प्रमुख विशेषताएं देखें।

उपयोग करने के क्या फायदे हैं Ultralytics YOLO सत्यापन के लिए?

का उपयोग करके Ultralytics YOLO सत्यापन के लिए कई फायदे प्रदान करता है:

• यथार्थता: YOLOv8 mAP50, mAP75 और mAP50-95 सहित सटीक प्रदर्शन मीट्रिक प्रदान करता है।
• सुविधा: मॉडल अपनी प्रशिक्षण सेटिंग्स को याद रखते हैं, जिससे सत्यापन सरल हो जाता है।
• लचीलापन: आप समान या भिन्न डेटासेट और छवि आकारों के विरुद्ध मान्य कर सकते हैं।
• हाइपरपैरामीटर ट्यूनिंग: सत्यापन मेट्रिक्स बेहतर प्रदर्शन के लिए मॉडल को फ़ाइन-ट्यूनिंग करने में मदद करते हैं।

ये लाभ सुनिश्चित करते हैं कि आपके मॉडल का अच्छी तरह से मूल्यांकन किया गया है और बेहतर परिणामों के लिए अनुकूलित किया जा सकता है। में इन लाभों के बारे में अधिक जानें इसके साथ मान्य क्यों करें Ultralytics YOLO कर्तन।

क्या मैं अपने को मान्य कर सकता हूं YOLOv8 कस्टम डेटासेट का उपयोग करके मॉडल?

हां, आप अपनी पुष्टि कर सकते हैं YOLOv8 कस्टम डेटासेट का उपयोग करके मॉडल। निर्दिष्ट करें data आपके डेटासेट कॉन्फ़िगरेशन फ़ाइल के पथ के साथ तर्क। इस फ़ाइल में सत्यापन डेटा, वर्ग नाम और अन्य प्रासंगिक विवरण के पथ शामिल होने चाहिए।

उदाहरण में Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

# Validate with a custom dataset
metrics = model.val(data="path/to/your/custom_dataset.yaml")
print(metrics.box.map)  # map50-95

उदाहरण का उपयोग कर CLI:

yolo val model=yolov8n.pt data=path/to/your/custom_dataset.yaml

सत्यापन के दौरान अधिक अनुकूलन योग्य विकल्पों के लिए, तर्क के साथ उदाहरण सत्यापन अनुभाग देखें.

मैं सत्यापन परिणामों को JSON फ़ाइल में कैसे सहेजूँ YOLOv8?

सत्यापन परिणामों को JSON फ़ाइल में सहेजने के लिए, आप save_json करने के लिए तर्क True सत्यापन चलाते समय। यह दोनों में किया जा सकता है Python API और CLI.

उदाहरण में Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolov8n.pt")

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

उदाहरण का उपयोग कर CLI:

yolo val model=yolov8n.pt save_json=True

यह कार्यक्षमता आगे के विश्लेषण या अन्य उपकरणों के साथ एकीकरण के लिए विशेष रूप से उपयोगी है। जाँच गर्नुहोस् के लिए तर्क YOLO अधिक जानकारी के लिए मॉडल सत्यापन।

टिप्पणियाँ