Validazione dei modelli con Ultralytics YOLO#

Introduzione#

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

Consulta la anteprima di YOLO27 non rilasciata per i risultati preliminari di convalida.

Perché usare Ultralytics YOLO per la validazione?#

Ecco perché usare 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.
• Praticità: utilizza le 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 diversi e con dimensioni delle immagini differenti.
• Ottimizzazione degli iperparametri: usa le metriche di validazione per ottimizzare il tuo modello e migliorarne le prestazioni.

Funzionalità principali della modalità Val#

Queste sono le funzionalità principali offerte dalla modalità Val di YOLO26:

• Impostazioni automatizzate: i modelli ricordano le proprie configurazioni di addestramento, rendendo semplice la validazione.
• Supporto per più metriche: valuta il tuo modello sulla base di una serie di metriche di accuratezza.
• CLI e API Python: scegli tra l'interfaccia della riga di comando o l'API Python in base alle tue preferenze per la validazione.
• Compatibilità dei dati: funziona perfettamente sia con i dataset usati durante l'addestramento sia con dataset personalizzati.

Esempi di utilizzo#

Valida l'accuratezza di un modello YOLO26n addestrato sul dataset COCO8. Non sono necessari argomenti, poiché model conserva i propri data e argomenti come attributi del modello. Consulta la sezione Argomenti qui sotto per l'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 dei modelli YOLO#

Durante la validazione dei modelli YOLO, puoi ottimizzare diversi argomenti per migliorare il processo di valutazione. Questi argomenti controllano aspetti come la dimensione delle immagini di input, l'elaborazione a batch e le soglie delle prestazioni. Di seguito trovi una descrizione dettagliata di ciascun argomento, per aiutarti a personalizzare efficacemente le impostazioni di validazione.

Ognuna di queste impostazioni svolge un ruolo fondamentale nel processo di validazione, consentendo una valutazione personalizzabile ed efficiente dei modelli YOLO. Regolare questi parametri in base alle tue esigenze e alle risorse disponibili può aiutarti a ottenere il miglior equilibrio tra accuratezza e prestazioni.

Esempio di validazione con argomenti#

Gli esempi seguenti mostrano la validazione dei modelli 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}

L'oggetto delle metriche restituito espone anche funzioni di supporto per l'esportazione destinate ad 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 riaddestra il modello con iperparametri diversi o con più dati di addestramento.

FAQ#