Validazione del modello con Ultralytics YOLO

Introduzione

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 fornisce una suite completa 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 accurati e affidabili.

Perché 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 le funzionalità integrate che ricordano le impostazioni di addestramento, semplificando il processo di validazione.
• Flessibilità: Valida il tuo modello con set di dati e dimensioni dell'immagine uguali o diversi.
• Ottimizzazione degli iperparametri: Utilizza le metriche di validazione per ottimizzare il tuo modello per prestazioni migliori.

Caratteristiche 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 multimetrica: Valuta il tuo modello in base a una serie 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 set di dati utilizzati durante la fase di addestramento e con set di dati personalizzati.

Esempi di utilizzo

Valida l' accuratezza di un modello YOLO26n addestrato sul set di dati 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

Argomenti 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 una ripartizione 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 esigenze e risorse specifiche può aiutare a ottenere il miglior equilibrio tra accuratezza e prestazioni.

Esempio 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, consulta la documentazione della classe DataExportMixin.

FAQ

Come 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 un'ulteriore personalizzazione, puoi regolare vari argomenti come imgsz, batch e conf sia nelle modalità Python che CLI. Consulta la sezione Argomenti per la validazione del modello YOLO per l'elenco completo dei parametri.

Quali 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 fondamentale esaminare tutte queste metriche. Per maggiori dettagli, consulta le Caratteristiche principali della modalità Val.

Quali sono i vantaggi dell'utilizzo di Ultralytics YOLO per la validazione?

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

• Precisione: 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 a set di dati e dimensioni dell'immagine uguali o diversi.
• Ottimizzazione degli iperparametri: Le metriche di validazione aiutano a perfezionare i modelli per ottenere prestazioni migliori.

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

Posso validare il mio modello YOLO26 utilizzando un set di dati personalizzato?

Sì, puoi validare il tuo modello YOLO26 utilizzando un set di dati personalizzato. Specifica l'argomento data con il percorso del file di configurazione del set di dati. 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 CLI:

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

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

Come salvo 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 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 per l'integrazione con altri strumenti. Consulta gli Argomenti per la validazione del modello YOLO per maggiori dettagli.