Link to this sectionValidazione del modello con Ultralytics YOLO#

Link to this sectionIntroduzione#

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

Link to this sectionPerché effettuare la validazione 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 e dimensioni dell'immagine o con altri differenti.
• Ottimizzazione degli iperparametri: Usa le metriche di validazione per perfezionare 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 semplice.
• Supporto per metriche multiple: Valuta il tuo modello basandoti su una serie di metriche di accuratezza.
• CLI e Python API: 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 e anche con dataset personalizzati.

Link to this sectionEsempi di Utilizzo#

Valida l' accuratezza di un modello YOLO26n addestrato sul dataset COCO8. Non sono necessari argomenti poiché il model conserva i suoi data di addestramento e gli argomenti come attributi del modello. Vedi 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#

Quando si validano i modelli YOLO, è possibile perfezionare diversi argomenti 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 un'analisi dettagliata di ciascun argomento per aiutarti a personalizzare le tue impostazioni di validazione in modo efficace.

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 specifiche esigenze e risorse 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 maggiori dettagli vedi 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 l'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 l'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 cruciale rivedere tutte queste metriche. Per maggiori dettagli, fai riferimento alle Caratteristiche principali della modalità Val.

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

Utilizzare Ultralytics YOLO per la validazione offre diversi vantaggi:

• Precision: YOLO26 offre metriche di prestazione accurate, inclusi mAP50, mAP75 e mAP50-95.
• Convenienza: I modelli ricordano le loro impostazioni di addestramento, rendendo la validazione semplice.
• Flessibilità: Puoi validare rispetto agli stessi dataset e dimensioni dell'immagine o altri differenti.
• Ottimizzazione degli iperparametri: Le metriche di validazione aiutano a perfezionare i modelli per prestazioni migliori.

Questi vantaggi assicurano che i tuoi modelli siano valutati accuratamente e possano essere ottimizzati per risultati superiori. Scopri di più su questi vantaggi nella sezione Perché effettuare la validazione 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 del tuo file di configurazione del dataset. Questo file dovrebbe includere il percorso dei 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 CLI:

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

Per opzioni più personalizzabili durante la validazione, vedi 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 quando esegui la validazione. Questo può essere fatto sia nell'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 CLI:

yolo val model=yolo26n.pt save_json=True

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