Convalida dei modelli con Ultralytics YOLO#

Introduzione#

La convalida è una fase fondamentale della pipeline di machine learning, che ti consente di valutare la qualità dei modelli addestrati. La modalità Val di Ultralytics YOLO26 offre una serie completa di strumenti e metriche per valutare le prestazioni dei modelli di rilevamento di oggetti. Questa guida è una risorsa completa per capire come usare efficacemente la modalità Val e assicurarti che i tuoi modelli siano precisi e affidabili.

Consulta l'anteprima non ancora rilasciata di YOLO27 per i risultati preliminari della convalida.

Perché convalidare con Ultralytics YOLO?#

Ecco perché usare la modalità Val di YOLO26 è vantaggioso:

• Precisione: ottieni metriche accurate come mAP50, mAP75 e mAP50-95 per valutare il tuo modello in modo completo.
• Praticità: sfrutta le funzionalità integrate che memorizzano le impostazioni di addestramento e semplificano il processo di convalida.
• Flessibilità: convalida il tuo modello con gli stessi dataset o con dataset diversi e a dimensioni delle immagini differenti.
• Ottimizzazione degli iperparametri: usa le metriche di convalida per perfezionare il tuo modello e migliorarne le prestazioni.

Funzionalità principali della modalità Val#

Ecco le funzionalità più importanti offerte dalla modalità Val di YOLO26:

• Impostazioni automatizzate: i modelli memorizzano le configurazioni di addestramento per semplificare la convalida.
• Supporto di più metriche: valuta il tuo modello in base a una serie di metriche di accuratezza.
• CLI e API Python: scegli se convalidare tramite interfaccia della riga di comando o API Python, in base alle tue preferenze.
• Compatibilità dei dati: funziona senza problemi sia con i dataset usati durante l'addestramento sia con dataset personalizzati.

Esempi d'uso#

Convalida l'accuratezza di un modello YOLO26n addestrato. Non servono argomenti, perché model conserva data e gli argomenti di addestramento come attributi del modello: path/to/best.pt esegue la convalida sul dataset usato per l'addestramento. I pesi ufficiali registrano il percorso di un dataset di addestramento che non esiste sul tuo computer, quindi, se necessario, usano il valore predefinito coco8.yaml per l'attività e mostrano un avviso. Passa data per convalidare su un altro dataset. Consulta la sezione Argomenti qui sotto per l'elenco completo degli argomenti di convalida.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n.pt")  # carica un modello ufficiale
model = YOLO("path/to/best.pt")  # carica un modello personalizzato

# Convalida il modello
metrics = model.val()  # non servono argomenti, il dataset e le impostazioni vengono ricordati
metrics.box.map  # map50-95
metrics.box.map50  # map50
metrics.box.map75  # map75
metrics.box.maps  # un elenco contenente mAP50-95 per ogni categoria
metrics.box.image_metrics  # dizionario con le metriche per immagine: precisione, richiamo, F1, TP, FP e FN

Argomenti per la convalida dei modelli YOLO#

Quando convalidi i modelli YOLO, puoi perfezionare diversi argomenti per ottimizzare il processo di valutazione. Questi argomenti controllano aspetti quali la dimensione delle immagini in ingresso, l'elaborazione dei batch e le soglie di prestazione. Di seguito trovi una descrizione dettagliata di ogni argomento, per aiutarti a personalizzare efficacemente le impostazioni di convalida.

Ognuna di queste impostazioni svolge un ruolo fondamentale nel processo di convalida e permette di valutare i modelli YOLO in modo personalizzabile ed efficiente. Modificare questi parametri in base alle tue esigenze e alle risorse disponibili può aiutarti a raggiungere il miglior equilibrio tra accuratezza e prestazioni.

Esempio di convalida con argomenti#

Gli esempi seguenti mostrano come convalidare un modello YOLO con argomenti personalizzati in Python e tramite CLI.

from ultralytics import YOLO

# Carica un modello
model = YOLO("yolo26n.pt")

# Personalizza le impostazioni di convalida
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

# Carica un modello
model = YOLO("yolo26n.pt")

# Convalida e accedi alle metriche per immagine
results = model.val(data="coco8.yaml")

# image_metrics è un dizionario con i nomi dei file immagine come chiavi
print(results.box.image_metrics)
# Output: {'image1.jpg': {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}, ...}

# Accedi alle metriche di un'immagine specifica
results.box.image_metrics["image1.jpg"]  # {'precision': 0.85, 'recall': 0.92, 'f1': 0.88, 'tp': 17, 'fp': 3, 'fn': 1}

L'oggetto delle metriche restituito fornisce anche metodi di esportazione per le analisi successive:

Per maggiori dettagli, consulta la documentazione della classe DataExportMixin.

E adesso?#

Soddisfatto delle metriche? Esporta il modello in un formato per la distribuzione. Se l'accuratezza non è soddisfacente, torna indietro e ripeti l'addestramento con iperparametri diversi o con più dati di addestramento.

Domande frequenti#