Validazione del modello con Ultralytics YOLO#

Introduzione#

La validazione è un passaggio fondamentale nella pipeline di apprendimento automatico, che ti consente di valutare la qualità dei tuoi modelli addestrati. La modalità Val in Ultralytics YOLO26 offre una robusta suite di strumenti e metriche per valutare le prestazioni dei tuoi modelli di rilevamento oggetti. Questa guida rappresenta una risorsa completa per comprendere come utilizzare efficacemente la modalità Val per garantire che i tuoi modelli siano sia accurati che affidabili.

Perché 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: Utilizza le metriche di validazione per perfezionare il tuo modello per ottenere 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 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.

Esempi di Utilizzo#

Valida l'accuratezza di un modello YOLO26n addestrato sul dataset COCO8. Non sono necessari argomenti poiché model mantiene i suoi data di addestramento e gli argomenti come attributi del modello. Consulta la sezione Argomenti sottostante 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 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.

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.

Cosa succede dopo#

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

FAQ#