Link to this sectionValidazione del modello con Ultralytics YOLO#

Link to this sectionIntroduzione#

La validazione è un passaggio critico nella pipeline di machine learning, che ti consente di valutare la qualità dei tuoi modelli addestrati. La modalità Val in Ultralytics YOLO26 fornisce una solida suite di strumenti e metriche per valutare le prestazioni dei tuoi modelli di object detection. Questa guida funge da risorsa completa per capire come utilizzare efficacemente la modalità Val per garantire che i tuoi modelli siano sia accurati che affidabili.

Link to this sectionPerché validare con Ultralytics YOLO?#

Ecco perché utilizzare la modalità Val di YOLO26 è vantaggioso:

• Precisione: Ottieni metriche accurate come mAP50, mAP75 e mAP50-95 per valutare in modo completo il tuo modello.
• Convenienza: Utilizza funzionalità integrate che ricordano le impostazioni di addestramento, semplificando il processo di validazione.
• Flessibilità: Valida il tuo modello con gli stessi dataset o con dataset e dimensioni delle immagini differenti.
• Hyperparameter Tuning: Utilizza le metriche di validazione per ottimizzare il tuo modello per prestazioni migliori.

Link to this sectionCaratteristiche principali della modalità Val#

Queste sono le funzionalità degne di nota offerte dalla modalità Val di YOLO26:

• Impostazioni automatizzate: I modelli ricordano le loro configurazioni di addestramento per una validazione immediata.
• Supporto multi-metrica: Valuta il tuo modello basandoti su una gamma di metriche di accuratezza.
• CLI e API Python: Scegli tra l'interfaccia a riga di comando o l'API Python in base alla tua preferenza per la validazione.
• Compatibilità dei dati: Funziona perfettamente con i dataset utilizzati durante la fase di addestramento così come con dataset personalizzati.

Link to this sectionEsempi di utilizzo#

Valida un modello YOLO26n addestrato per l'accuracy sul dataset COCO8. Non sono necessari argomenti poiché il model conserva i suoi data di addestramento e gli argomenti come attributi del modello. Consulta la sezione Argomenti qui sotto per un elenco completo degli argomenti di validazione.

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

Link to this sectionArgomenti per la validazione del modello YOLO#

Durante la validazione dei modelli YOLO, diversi argomenti possono essere perfezionati per ottimizzare il processo di valutazione. Questi argomenti controllano aspetti come la dimensione dell'immagine di input, l'elaborazione a lotti e le soglie di prestazione. Di seguito è riportata una suddivisione dettagliata di ogni argomento per aiutarti a personalizzare efficacemente le tue impostazioni di validazione.

Ognuna di queste impostazioni gioca un ruolo vitale nel processo di validazione, consentendo una valutazione personalizzabile ed efficiente dei modelli YOLO. Regolare questi parametri in base alle tue esigenze e risorse specifiche può aiutare a raggiungere il miglior equilibrio tra accuratezza e prestazioni.

Link to this sectionEsempio di validazione con argomenti#

Gli esempi seguenti mostrano la validazione del modello YOLO con argomenti personalizzati in Python e 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}

Per ulteriori dettagli consulta la documentazione della classe DataExportMixin.

Link to this sectionFAQ#

Link to this sectionCome posso validare il mio modello YOLO26 con Ultralytics?#

Per validare il tuo modello YOLO26, puoi utilizzare la modalità Val fornita da Ultralytics. Ad esempio, utilizzando la API Python, puoi caricare un modello ed eseguire la validazione con:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

In alternativa, puoi utilizzare l'interfaccia a riga di comando (CLI):

yolo val model=yolo26n.pt

Per ulteriori personalizzazioni, puoi regolare vari argomenti come imgsz, batch e conf sia in modalità Python che CLI. Consulta la sezione Argomenti per la validazione del modello YOLO per l'elenco completo dei parametri.

Link to this sectionQuali metriche posso ottenere dalla validazione del modello YOLO26?#

La validazione del modello YOLO26 fornisce diverse metriche chiave per valutare le prestazioni del modello. Queste includono:

• mAP50 (mean Average Precision alla soglia IoU 0.5)
• mAP75 (mean Average Precision alla soglia IoU 0.75)
• mAP50-95 (mean Average Precision su molteplici soglie IoU da 0.5 a 0.95)

Utilizzando la API Python, puoi accedere a queste metriche come segue:

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
print(metrics.box.image_metrics)  # per-image metrics dictionary with precision, recall, F1, TP, FP, and FN

Per una valutazione completa delle prestazioni, è fondamentale esaminare tutte queste metriche. Per ulteriori dettagli, fai riferimento alle Caratteristiche principali della modalità Val.

Link to this sectionQuali sono i vantaggi dell'utilizzo di Ultralytics YOLO per la validazione?#

L'utilizzo di Ultralytics YOLO per la validazione offre diversi vantaggi:

• Precision: YOLO26 offre metriche di prestazione accurate, incluse mAP50, mAP75 e mAP50-95.
• Convenienza: I modelli ricordano le impostazioni di addestramento, rendendo la validazione semplice.
• Flessibilità: Puoi effettuare la validazione utilizzando gli stessi o diversi set di dati e dimensioni delle immagini.
• Ottimizzazione degli iperparametri: Le metriche di validazione aiutano a ottimizzare i modelli per ottenere prestazioni migliori.

Questi vantaggi assicurano che i tuoi modelli siano valutati accuratamente e possano essere ottimizzati per ottenere risultati superiori. Scopri di più su questi vantaggi nella sezione Perché validare con Ultralytics YOLO.

Link to this sectionPosso validare il mio modello YOLO26 utilizzando un dataset personalizzato?#

Sì, puoi validare il tuo modello YOLO26 utilizzando un dataset personalizzato. Specifica l'argomento data con il percorso al tuo file di configurazione del dataset. Questo file dovrebbe includere il percorso ai dati di validazione.

Esempio in Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Esempio utilizzando la CLI:

yolo val model=yolo26n.pt data=path/to/your/custom_dataset.yaml

Per ulteriori opzioni personalizzabili durante la validazione, consulta la sezione Esempio di validazione con argomenti.

Link to this sectionCome posso salvare i risultati della validazione in un file JSON in YOLO26?#

Per salvare i risultati della validazione in un file JSON, puoi impostare l'argomento save_json su True durante l'esecuzione della validazione. Questo può essere fatto sia nella API Python che nella CLI.

Esempio in Python:

from ultralytics import YOLO

# Load a model
model = YOLO("yolo26n.pt")

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

Esempio utilizzando la CLI:

yolo val model=yolo26n.pt save_json=True

Questa funzionalità è particolarmente utile per ulteriori analisi o integrazioni con altri strumenti. Controlla gli Argomenti per la validazione del modello YOLO per maggiori dettagli.