Inizia

Convalida dei modelli con Ultralytics YOLO

Ultralytics YOLO ecosystem and integrations

Introduzione#

La convalida è una fase fondamentale della pipeline di machine learning, che ti permette di valutare la qualità dei modelli addestrati. La modalità Val di Ultralytics YOLO26 fornisce strumenti e metriche per valutare i modelli di rilevamento degli oggetti e tutte le altre attività supportate. Questa guida spiega come usare la modalità Val per verificare che i tuoi modelli siano accurati e affidabili.

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



Guarda: Tutorial sulle modalità Ultralytics: validazione

Perché convalidare con Ultralytics YOLO?#

Motivi per usare la modalità Val di YOLO26:

  • Precisione: ottieni metriche accurate come mAP50, mAP75 e mAP50-95 per valutare il tuo modello in modo completo.
  • Praticità: usa 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#

Funzionalità principali della 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 con diverse metriche di accuratezza.
  • CLI e API Python: esegui la convalida dalla riga di comando o tramite l'API Python, a tua scelta.
  • Compatibilità dei dati: funziona sia con i dataset usati durante l'addestramento sia con quelli personalizzati.
Suggerimento
  • I modelli YOLO26 memorizzano automaticamente le impostazioni di addestramento, quindi yolo val model=path/to/best.pt o YOLO("path/to/best.pt").val() convalida alla dimensione delle immagini di addestramento sul dataset originale. I pesi ufficiali usano il dataset predefinito per l'attività se necessario; passa data per sostituirlo.

Esempi d'uso#

Convalida l'accuratezza di un modello YOLO26n addestrato. Non sono necessari argomenti, perché model conserva il 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 un percorso del dataset di addestramento che potrebbe non esistere sulla tua macchina; in tal caso, con un avviso, viene usato il valore predefinito dell'attività coco8.yaml. Passa data per convalidare un altro dataset.

Errore di multiprocessing su Windows

In Windows, quando avvii la convalida come script potresti ricevere un RuntimeError. Per risolvere il problema, aggiungi un blocco if __name__ == "__main__": prima del codice di convalida.

Esempio
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  # mAP50-95 per classe; le classi assenti nel set di validazione mantengono il mAP complessivo
metrics.box.ap_class_index  # indici delle classi effettivamente valutate
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 modificare diversi argomenti per adattare il processo di valutazione. Questi argomenti controllano aspetti come la dimensione dell'immagine di input, l'elaborazione dei batch e le soglie delle prestazioni. Di seguito è descritto ciascun argomento.

ArgomentoTipoPredefinitoDescrizione
datastrNoneSpecifica il percorso del file YAML del dataset (ad es. coco8.yaml), che deve includere il percorso ai dati di validazione. Per la classificazione, invece, accetta una directory del dataset o il nome di un dataset integrato (ad es. imagenet10).
imgszint640Definisce le dimensioni delle immagini di input. Tutte le immagini vengono ridimensionate a queste dimensioni prima dell'elaborazione. Dimensioni maggiori possono migliorare l'accuratezza sugli oggetti piccoli, ma aumentano il tempo di calcolo.
batchint16Imposta il numero di immagini per batch. Valori maggiori sfruttano in modo più efficiente la memoria GPU, ma richiedono più VRAM. Regola il valore in base alle risorse hardware disponibili.
tilebool o intFalseEsegue l'inferenza su riquadri di dimensioni fisse e valuta i risultati uniti rispetto alle annotazioni dell'intera immagine originale. True usa imgsz; un intero positivo imposta la dimensione del riquadro. Vedi Suddivisione in riquadri ad alta risoluzione.
save_jsonboolFalseSe True, salva i risultati in un file JSON per ulteriori analisi, l'integrazione con altri strumenti o l'invio a server di valutazione come COCO. Nei dataset di rilevamento valuta anche le predizioni con faster-coco-eval e riporta la mAP per oggetti piccoli, medi e grandi, registrata durante l'addestramento come metrics/mAP_small(B), metrics/mAP_medium(B) e metrics/mAP_large(B) in results.csv. Per la segmentazione semantica, salva invece le maschere di classe PNG in results/, mantenendo le sottodirectory delle immagini.
conffloat0.001Imposta la soglia minima di confidenza per i rilevamenti. Valori inferiori aumentano il richiamo, ma possono introdurre più falsi positivi. Le curve precisione-richiamo, la mAP e le matrici di confusione del rilevamento usano questo valore; un valore conf più alto, come 0.25, produce una matrice più simile all'output delle predizioni, ma può ridurre la mAP. La precisione e il richiamo riepilogativi usano la confidenza con F1 massimo, quindi potrebbero differire dai valori ricavati da confusion_matrix.png. Per la validazione OBB, il valore predefinito è 0.01 per ridurre l'uso di memoria.
ioufloat0.7Imposta la soglia di Intersection over Union per la soppressione non massima. Controlla l'eliminazione dei rilevamenti duplicati.
max_detint300Limita il numero massimo di rilevamenti per immagine. Per detect, segment, pose e OBB, se lasciato a 300, viene aumentato fino al numero massimo di oggetti etichettati nella suddivisione convalidata quando un'immagine lo supera, con un avviso; qualsiasi altro valore viene mantenuto, con un avviso che il richiamo potrebbe essere limitato se un'immagine lo supera.
quantizeint o strNonePrecisione della convalida: 16/"fp16" e 32/"fp32"/unset selezionano il calcolo FP16 o FP32 per i modelli PyTorch e TorchScript (FP32 su CPU); gli altri formati usano la precisione selezionata dal rispettivo artefatto e ambiente di esecuzione. In 16, OpenVINO continua ad arrotondare l’input a FP16 sul client e a riconvertirlo in FP32, senza modificare la precisione dell’ambiente di esecuzione. La quantizzazione INT8/PTQ viene configurata durante l’esportazione, quindi viene usata convalidando il modello esportato. Sostituisce il flag deprecato half.
devicestrNoneSpecifica il dispositivo per la convalida (cpu, cuda:0, npu, npu:0 ecc.). Quando None, seleziona automaticamente il miglior dispositivo disponibile. Puoi specificare più dispositivi CUDA separandoli con virgole. I modelli OpenVINO e LiteRT eseguono xpu e npu sulla GPU e sulla NPU Intel; consulta i dispositivi di inferenza per tutti i formati.
dnnboolFalseSe True, usa il modulo DNN di OpenCV per l'inferenza dei modelli ONNX, offrendo un'alternativa ai metodi di inferenza PyTorch.
plotsboolTrueQuando è impostato su True, genera e salva grafici che confrontano le predizioni con le annotazioni reali, matrici di confusione e curve PR per la valutazione visiva delle prestazioni del modello.
classeslist[int]NoneSpecifica un elenco di ID di classe da valutare. Utile per filtrare le classi e concentrarsi solo su alcune durante la valutazione.
rectboolTrueSe True, raggruppa batch con rapporti d'aspetto simili in forme rettangolari. Aggiunge metà di uno stride prima di arrotondare ciascuna dimensione al multiplo di stride successivo (senza aggiungere un'altra metà di stride per semantic). Con stride 32, un'immagine 640×640 a imgsz=640 diventa 672×672 con un offset di 16 px, mentre predict usa 640×640, quindi le metriche possono differire. rect=False corrisponde a predict per le immagini quadrate. Ignorato per depth e RT-DETR, che ridimensionano le immagini adattandole a un quadrato imgsz.
splitstr'val'Determina lo split del dataset da usare per la validazione (val, test o train). Offre flessibilità nella scelta della porzione di dati per la valutazione delle prestazioni.
fractionfloat, int o list1.0Sottoinsieme dello split convalidato. Con un elenco [train, val, test], si applica la voce corrispondente a split (1 = split completo, numeri interi superiori a 1 = numero di immagini; le voci omesse indicano lo split completo). Un valore scalare si applica solo con split=train; val e test usano quindi lo split completo.
projectstrNoneNome della directory del progetto in cui vengono salvati gli output della validazione. Un percorso relativo viene inserito in runs_dir/<task>, mentre un percorso assoluto viene utilizzato così com'è.
namestrNoneNome dell'esecuzione di validazione. Usato per creare una sottodirectory nella cartella del progetto, in cui vengono archiviati i log e i risultati della validazione.
verboseboolTrueSe True, mostra informazioni dettagliate durante la validazione, incluse le metriche per classe, l'avanzamento dei batch e ulteriori informazioni di debug.
save_txtboolFalseSe True, salva i risultati del rilevamento in file di testo, uno per immagine; utile per ulteriori analisi, post-elaborazioni personalizzate o integrazioni con altri sistemi.
save_confboolFalseSe True, include i valori di confidenza nei file di testo salvati quando è abilitato save_txt, fornendo risultati più dettagliati per l'analisi e il filtraggio.
workersint8Numero di thread worker per il caricamento dei dati. Valori maggiori possono velocizzare la pre-elaborazione dei dati, ma aumentare l'uso della CPU. Impostando il valore su 0 si usa il thread principale, una scelta che può risultare più stabile in alcuni ambienti.
augmentboolFalseAbilita l'aumento dei dati al test (TTA) durante la validazione, migliorando potenzialmente l'accuratezza del rilevamento a scapito della velocità di inferenza, eseguendo l'inferenza su versioni trasformate dell'input. Disponibile solo per i modelli Ultralytics PyTorch.
agnostic_nmsboolFalseAbilita la soppressione dei massimi non locali indipendente dalla classe, eliminando i riquadri sovrapposti con punteggio inferiore a prescindere dalla classe prevista. Utile per applicazioni incentrate sulle istanze. Con l'inferenza senza NMS (nms=False su YOLO26 o YOLOv10), impedisce solo che lo stesso rilevamento appaia con più etichette di classe (duplicati con IoU=1.0) e non esegue la soppressione basata sulla soglia IoU tra riquadri distinti.
single_clsboolFalseConsidera tutte le classi come un'unica classe durante la validazione. Utile per valutare le prestazioni del modello in attività di rilevamento binario o quando le distinzioni tra classi non sono importanti.
visualizeboolFalseVisualizza le annotazioni reali, i veri positivi, i falsi positivi e i falsi negativi per ogni immagine. Utile per il debug e l'interpretazione del modello.
show_labelsboolTrueMostra le etichette delle classi nelle visualizzazioni di validazione quando visualize=True. Imposta False per una visualizzazione più chiara delle corrispondenze e degli errori.
show_confboolTrueMostra i punteggi di confidenza nelle visualizzazioni di validazione quando visualize=True. Imposta False per una visualizzazione più chiara delle corrispondenze e degli errori.
compilebool o strFalseAbilita la compilazione del grafo torch.compile di PyTorch 2.x con backend='inductor'. Accetta True → "default", False → disattivazione oppure una modalità stringa come "default", "reduce-overhead", "max-autotune-no-cudagraphs". Se non è supportata, ripiega sulla modalità eager con un avviso.
channels_lastboolNoneUsa il formato di memoria channels_last (NHWC) per la validazione PyTorch nativa. None lo abilita automaticamente su CPU x86 Linux e Windows con oneDNN e PyTorch 1.13 o versioni successive; False lo disabilita e True ne richiede l'uso sui dispositivi CPU x86 o CUDA supportati. ARM64, MPS, le versioni precedenti di PyTorch, le CPU senza oneDNN e i formati esportati restano invariati; durante l'addestramento, la validazione mantiene il layout del modello di training.
nmsbool, facoltativoNoneEsegue per impostazione predefinita un'inferenza one-to-many con NMS (None o True). Imposta False per usare la testa one-to-one senza NMS, se disponibile. Per i dettagli, consulta la guida al rilevamento end-to-end.

Adattare queste impostazioni alle tue esigenze specifiche e alle risorse disponibili ti aiuta a trovare il giusto equilibrio tra accuratezza e velocità della valutazione.

Geometria di validazione rettangolare (rect)#

Gli export statici usano per la convalida la forma di input registrata (height, width), inclusi gli export non quadrati. Ad esempio, YOLO("yolo26n.onnx").val(data="coco8.yaml") usa un input 384×640 se il modello è stato esportato con imgsz=(384, 640).

Per il rilevamento, la segmentazione di istanze, la stima della posa e OBB, la validazione rettangolare (rect=True) arrotonda per eccesso ogni dimensione del batch usando ceil(shape * imgsz / stride + 0.5) * stride, dove shape è l'altezza o la larghezza normalizzata del batch. Il padding risultante viene suddiviso tra i lati opposti. Ad esempio, un'immagine quadrata 640×640 validata con imgsz=640 e stride 32 usa un input di 672×672 con 16 px di padding su ciascun lato, mentre predict() usa 640×640 senza padding.

Per gli input quadrati allineati allo stride, model.val(rect=False) corrisponde alla geometria di predict() e delle esportazioni quadrate a forma fissa. Durante l'addestramento, questi task YOLO usano batch di validazione rettangolari indipendentemente dall'impostazione di addestramento rect, quindi model.train(rect=False) seleziona comunque best.pt usando la validazione rettangolare. Gli altri task si comportano diversamente: la segmentazione semantica non aggiunge padding extra per la validazione, la stima della profondità disabilita la validazione rettangolare, la classificazione ignora rect e RT-DETR usa il proprio generatore di dataset con rect=False.

Esempio di convalida con argomenti#



Guarda: Come esportare i risultati della validazione del modello in CSV, JSON, SQL, DataFrame Polars e altro

Explore model validation and different export methods in Google Colab

Gli esempi seguenti eseguono la convalida di un modello YOLO con argomenti personalizzati in Python e tramite CLI.

Esempio
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")
Esporta ConfusionMatrix

Puoi anche esportare i risultati della matrice di confusione in diversi formati, ad esempio come DataFrame:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

results = model.val(data="coco8.yaml", plots=True)
print(results.confusion_matrix.to_df())
Precisione, richiamo e F1 per immagine

La convalida memorizza le metriche di precisione, richiamo, F1, TP, FP e FN (con soglia IoU 0.5) per immagine per tutte le attività, tranne la classificazione. Al termine della convalida, accedi alle metriche tramite results.box.image_metrics per il rilevamento e OBB, results.seg.image_metrics per la segmentazione e results.pose.image_metrics per la posa.

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}

Ogni voce in image_metrics contiene le seguenti chiavi:

ChiaveDescrizione
precisionPunteggio di precisione dell'immagine (tp / (tp + fp)).
recallPunteggio di richiamo dell'immagine (tp / (tp + fn)).
f1Media armonica di precisione e richiamo.
tpNumero di veri positivi per l'immagine.
fpNumero di falsi positivi per l'immagine.
fnNumero di falsi negativi per l'immagine.

Questa funzionalità è disponibile per le attività di rilevamento, segmentazione, posa e OBB.

L'oggetto delle metriche restituito espone anche funzioni di esportazione da DataExportMixin per le analisi successive:

MetodoTipo restituitoDescrizione
summary()List[Dict[str, Any]]Restituisce i risultati della validazione come elenco di dizionari, uno per riga.
to_df()DataFrameRestituisce i risultati della convalida come DataFrame strutturato di Polars.
to_csv()strEsporta i risultati della convalida in formato CSV e restituisce la stringa CSV.
to_json()strEsporta i risultati della convalida in formato JSON e restituisce la stringa JSON.

I risultati di rilevamento, segmentazione, segmentazione semantica, posa e OBB hanno una riga per ogni classe nelle etichette di validazione, quindi to_csv() e to_json() esportano metriche per classe:

AttivitàColonne per classe
rilevamentoClass, Images, Instances, Box-P, Box-R, Box-F1, mAP50, mAP75, mAP50-95
segmentazioneLe colonne del rilevamento, poi Mask-P, Mask-R, Mask-F1, Mask-mAP50, Mask-mAP75, Mask-mAP50-95
semanticaClass, Images, Pixels, IoU, mIoU e pixel_acc (entrambi globali), class_pixel_acc
posaLe colonne del rilevamento, poi Pose-P, Pose-R, Pose-F1, Pose-mAP50, Pose-mAP75, Pose-mAP50-95
obbLe colonne del rilevamento

La stima della profondità restituisce una sola riga con delta1, delta2, delta3, abs_rel, rmse e silog, mentre la classificazione restituisce una sola riga con top1_acc e top5_acc.

from ultralytics import YOLO

model = YOLO("yolo26n-seg.pt")
metrics = model.val(data="coco8-seg.yaml")
metrics.to_csv()  # una riga per classe, con metriche di box e maschera

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#

  • Per convalidare il tuo modello YOLO26, puoi usare la modalità Val fornita da Ultralytics. Ad esempio, con l'API Python puoi caricare un modello ed eseguire la convalida così:

    from ultralytics import YOLO
    
    # Carica un modello
    model = YOLO("yolo26n.pt")
    
    # Convalida il modello
    metrics = model.val()
    print(metrics.box.map)  # map50-95

    In alternativa, puoi usare l'interfaccia della riga di comando (CLI):

    yolo detect val model=yolo26n.pt data=coco8.yaml

    Per personalizzare ulteriormente la convalida, puoi modificare diversi argomenti, come imgsz, batch e conf, sia in modalità Python sia tramite CLI. Consulta la sezione Argomenti per la convalida dei modelli YOLO per l'elenco completo dei parametri.

  • La convalida dei modelli YOLO26 fornisce diverse metriche chiave per valutare le prestazioni del modello, tra cui:

    • mAP50 (precisione media media alla soglia IoU di 0.5)
    • mAP75 (precisione media media alla soglia IoU di 0.75)
    • mAP50-95 (precisione media media su più soglie IoU, da 0.5 a 0.95)

    Con l'API Python puoi accedere a queste metriche nel modo seguente:

    metrics = model.val()  # presuppone che `model` sia stato caricato
    print(metrics.box.map)  # mAP50-95
    print(metrics.box.map50)  # mAP50
    print(metrics.box.map75)  # mAP75
    print(metrics.box.maps)  # mAP50-95 per classe; le classi assenti nel set di validazione mantengono il mAP complessivo
    print(metrics.box.ap_class_index)  # indici delle classi effettivamente valutate
    print(metrics.box.image_metrics)  # dizionario con le metriche per immagine: precisione, richiamo, F1, TP, FP e FN

    Esamina tutte queste metriche per una valutazione completa delle prestazioni.

  • Usare Ultralytics YOLO per la convalida offre diversi vantaggi:

    • Precisione: YOLO26 offre metriche di prestazione accurate, tra cui mAP50, mAP75 e mAP50-95.
    • Praticità: i modelli ricordano le impostazioni di addestramento, rendendo semplice la convalida.
    • Flessibilità: puoi eseguire la convalida sugli stessi dataset o su dataset diversi e con dimensioni delle immagini differenti.
    • Ottimizzazione degli iperparametri: le metriche di convalida aiutano a perfezionare i modelli per migliorarne le prestazioni.

    Questi vantaggi ti aiutano a valutare a fondo i modelli e a ottimizzarli.

  • Sì, puoi convalidare il tuo modello YOLO26 usando un dataset personalizzato. Specifica l'argomento data con il percorso al file YAML del dataset, che deve includere il percorso ai dati di convalida. Per la classificazione, invece, occorre specificare una directory del dataset o il nome di un dataset integrato (ad es. imagenet10).

    Nota

    La convalida usa i nomi delle classi del modello, che puoi visualizzare con model.names e che potrebbero differire da quelli definiti dal dataset.

    Esempio in Python:

    from ultralytics import YOLO
    
    # Carica un modello
    model = YOLO("yolo26n.pt")
    
    # Convalida con un dataset personalizzato
    metrics = model.val(data="path/to/your/custom_dataset.yaml")
    print(metrics.box.map)  # map50-95

    Esempio tramite CLI:

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

    Per altre opzioni di personalizzazione durante la convalida, consulta la sezione Esempio di convalida con argomenti.

  • Per salvare i risultati della convalida in un file JSON, imposta l'argomento save_json su True quando esegui la convalida. Puoi farlo sia con l'API Python sia tramite CLI.

    Esempio in Python:

    from ultralytics import YOLO
    
    # Carica un modello
    model = YOLO("yolo26n.pt")
    
    # Salva i risultati della convalida in JSON
    metrics = model.val(save_json=True)

    Esempio tramite CLI:

    yolo val model=yolo26n.pt save_json=True

    Nei dataset di rilevamento, save_json=True riporta anche la mAP per oggetti piccoli, medi e grandi tramite faster-coco-eval. Consulta Argomenti per la convalida dei modelli YOLO per maggiori dettagli.

Commenti279

Fai una domanda, condividi i tuoi risultati o aiuta qualcun altro.

  1. BedoHatemGitHub

    I have a couple of models (a mix of object detection and segmentation), so I want to run them on the same validation dataset to compare them properly. The exact tasks for the seg and obj-det models are the same at a certain level, so I'm aware that seg models give a B-Box and Mask, while obj-det gives just a B-Box.

    With that said, will a segmentation dataset work on both seg and obj-det models ? Or should i make a seg and a obj-det version of the same dataset, so i can use it to equally validate the models ?

    Thanks in Advance

    1
    1. BedoHatemGitHub

      I tested it. It seems you can use a segmentation dataset to validate an obj-det model, as the seg datasets include B-Boxes and Masks of the classes.

      1
    2. Glenn JocherUltralytics(modificato)

      @BedoHatem yes, you're correct! Segmentation datasets can be used to validate object detection models because they contain the bounding box annotations needed for detection evaluation. The segmentation masks are simply ignored when the dataset is used with a detection model.

      This flexibility is an advantage of the YOLO annotation format - the additional segmentation data doesn't interfere with detection evaluation. For the most accurate comparison between models, using the same validation dataset ensures you're evaluating performance on exactly the same ground truth data.

      @417dq the recall reported by val() is taken at the confidence value that maximizes F1, while the confusion matrix is built at the validation conf (0.001 by default) with an IoU matching threshold of 0.45, so the two can differ. The metrics output from val() is the reference for your model's performance.

  2. CyedenGitHub

    请问如果验针集是已经被多尺度分割了,那么再进行验证的时候imgsz应该设置为不同尺度验证的逻辑吗?例如: if name == 'main': model = YOLO(r'C:\Users\Lazy\Desktop\yolo_detect\weights\best.pt')

    multi_scale_sizes = [640, 800, 1024, 1280] 
    
    for size in multi_scale_sizes:
        model.val(
            data='ultralytics/cfg/datasets/DOTAv1.yaml',
            split='val',
            imgsz=size,
            batch=16,
            project='runs/val',
            name=f'v8n-obb-LSKNet_prev8x-obbpt_{size}',
        )
    1
    1. Glenn JocherUltralytics

      @Cyeden for multi-scale validation, you can indeed set imgsz to different scales within a loop. This approach allows you to evaluate the model's performance across various image sizes. Your implementation looks correct. Ensure you are using the latest version of the Ultralytics package to avoid any potential issues. For more details, you can refer to the validation documentation.

  3. YunYeTangGitHub

    hi, when I use yolov8-obb to validate DOTAv1, I found that confusion matrix is empty. Does it mean that confusion matrix is not supported in OBB validation?

    1
    1. Glenn JocherUltralytics(modificato)

      Hi there! 👋

      The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True. If it is still empty, please share your yolo checks output and the validation command so we can look into it.

      In the meantime, you can still rely on the other validation metrics such as mAP, precision, and recall.

    2. Glenn JocherUltralytics(modificato)

      Hey there! 🚀

      Thank you for reaching out! The confusion matrix is supported for OBB validation in current Ultralytics versions. If yours is empty, update with pip install -U ultralytics and re-run validation with plots=True; if it is still empty, share your yolo checks output and validation command so we can look into it.

      For a comprehensive evaluation you can also rely on the other metrics provided during validation, such as mAP, precision, and recall. Cheers! 🌟

  4. xyzxyzxyzxyzxzGitHub

    I want to read this page in English. Why it automatically become Chinese even though I click "GB English".

    1. Glenn JocherUltralytics

      It looks like you’re on the Chinese locale (the URL contains "/zh/"). Remove "/zh/" to view the English version, or use the top‑right language selector (GB English) and hard‑refresh; also ensure your browser’s auto‑translate is disabled.

    2. Glenn JocherUltralytics

      Thanks for the detailed description—that behavior sounds like a docs locale‑routing bug on our side rather than anything you can fix locally; we’ll get it forwarded to the web/docs team, and in the meantime could you confirm whether going directly to the English URL Model Validation with Ultralytics YOLO (English) still forces you back to Chinese and share your OS + browser version so we can reproduce it?

    3. Glenn JocherUltralytics

      Thanks for the extra details—that confirms this is an issue on the docs side, likely tied to your system/browser language being Chinese and our locale detection forcing /zh/ even when you pick English. I’ve passed this to the web/docs team to investigate; as a temporary workaround you can try using a browser whose interface language is set to English (or move English to the top of Chrome’s language preferences) so the site stops auto‑redirecting to the Chinese locale.

  5. AA278-HUBGitHub

    I have a model trained on a dataset containing four classes (car, bus, motorbike, and trunk). Now, I have a new dataset with only one class (vehicle). How can I validate this model using the new dataset, given that I only care about whether the model can identify the vehicle and its position, without concern for the specific type of vehicle?

    1. AA278-HUBGitHub

      f I want to change the validation rules in this specific situation, which .py files need to be modified

    2. Glenn JocherUltralytics

      @liujixingit save_txt writes normalized YOLO xywh (center x/y, width, height) relative to the original image size; recover pixel xyxy via the original W,H then center→corner conversion, e.g.:

      # line format: class x y w h [conf]
      cls, x, y, w, h, *rest = map(float, line.split())
      x1 = (x - w/2) * W; y1 = (y - h/2) * H
      x2 = (x + w/2) * W; y2 = (y + h/2) * H

      Function details are in the save_one_txt reference and the save_txt format is noted under Validation settings.

      @carlos-cell To get APs/APm/APl, run COCO-style evaluation with JSON saving and check the printed COCO summary:

      yolo detect val model=yolo11n.pt data=coco.yaml save_json=True

      This triggers COCO eval inside validation; see COCO evaluation in val and the size-specific metrics overview in the Performance metrics deep dive.

      @AA278-HUB For “any vehicle” validation, use single-class evaluation so all types collapse to one:

      metrics = model.val(data='vehicle.yaml', single_cls=True, agnostic_nms=True)

      Argument behavior is documented in the Val mode arguments.

      @AA278-HUB You don’t need code changes for the above, but if you must customize matching/metrics, start from DetectionValidator and the val() entry point: see the DetectionValidator reference and the val() method in engine/model.py; if proposing a PR, please keep scope minimal and include tests.

  6. liujixingitGitHub

    YOLOv8 调用验证功能开启save_txt后保存的坐标如何还原到原图,我尝试了直接×原图宽高,还原的坐标是错误的。save_txt保存的结果是相对什么计算得出的归一化坐标?

  7. CherishzyhGitHub

    hello, I read some dialog about the IOU threshold and confidence threshold and have some questions.

    1. CherishzyhGitHub
      1. the document shows that 'iou' is the threshold for NMS.Is it also a threshold for calculate the confusion matrix? eg. I hope that if the IoU between the prediction and the ground truth is greater than 0.2, it will be considered a true positive (TP). At the same time, does the NMS threshold also have to be 0.2?
    2. CherishzyhGitHub
      1. For confidence threshold, if I set it to 0.1, that mean all bboxes with a score lower than 0.1 will be removed when calculate the PR-curve?. If so, does it will also be remove in result json or txt ?
    3. Glenn JocherUltralytics

      @Cherishzyh great questions:

      1. The iou argument in val() controls NMS overlap removal only; it does not change the IoU used to determine TP/FP or mAP. Metrics are computed over fixed IoU thresholds 0.50–0.95. If you need evaluation at IoU=0.2, export predictions and compute custom metrics offline. See the Performance Metrics deep dive.

      2. The conf argument is a minimum score filter. Setting conf=0.1 removes all predictions with score < 0.1 prior to evaluation and from saved outputs (save_json/save_txt). You can still access PR data from the results object:

      from ultralytics import YOLO
      model = YOLO("yolo11n.pt")
      res = model.val(conf=0.1, iou=0.7, save_json=True, save_txt=True, plots=True)
      print(res.box.p_curve)  # precision curve vs score thresholds
      print(res.box.r_curve)  # recall curve vs score thresholds

      Argument details are in the Val mode arguments.

  8. lauravchrobakGitHub

    When I run validate without setting plots=True I still get the f1, PR curve plots in the val folder. Potentially the default for this flag is actually true despite it being false in the table above?

  9. sea190GitHub

    The question about val of yoloworld, and I used my custom dataset, and I make sure the format of ma dataset is corret. While when I run the val.py the code still validate the categories of COCO Dataset instead of my dataset? How can I solve this problem?

    1. ihciabGitHub

      You can try specifying the path of the validation set. When calling the val function, specify model.val(data=‘your_data’)

    2. Glenn JocherUltralytics

      @sea190 for YOLO-World validation with custom datasets, ensure your dataset YAML file correctly defines the class names and paths. YOLO-World may default to COCO categories if the dataset configuration isn't properly specified. Try:

      model.val(data='path/to/your/custom_dataset.yaml')

      Make sure your YAML file includes the correct names field with your custom class names and verify the val path points to your validation images and labels. If issues persist, check that your dataset follows the expected format for YOLO-World validation.