Ultralytics YOLOによるモデル検証#

はじめに#

検証は機械学習パイプラインにおける重要なステップであり、学習済みモデルの品質を評価できます。Ultralytics YOLO26のValモードは、物体検出モデルの性能を評価するための堅牢なツールとメトリクスを提供します。このガイドでは、モデルが正確かつ信頼性の高いものであることを確認するために、Valモードを効果的に使用する方法を包括的に説明します。

Ultralytics YOLOで検証する理由#

YOLO26のValモードを使用するメリットは次のとおりです。

• 精度: mAP50、mAP75、mAP50-95などの正確なメトリクスを取得し、モデルを総合的に評価できます。
• 利便性: 学習設定を記憶する組み込み機能を利用できるため、検証プロセスを簡略化できます。
• 柔軟性: 同じデータセットまたは異なるデータセット、画像サイズでモデルを検証できます。
• ハイパーパラメータチューニング: 検証メトリクスを使用してモデルを微調整し、性能を向上させます。

Valモードの主な機能#

YOLO26のValモードが提供する主な機能は次のとおりです。

• 自動設定: モデルが学習時の構成を記憶するため、簡単に検証できます。
• マルチメトリクス対応: 多様な精度メトリクスに基づいてモデルを評価できます。
• CLIおよびPython API: 検証時の好みに応じて、コマンドラインまたはPython APIを選択できます。
• データ互換性: 学習フェーズで使用したデータセットだけでなく、カスタムデータセットもシームレスに扱えます。

使用例#

COCO8データセットで、学習済みYOLO26nモデルの精度を検証します。modelは学習時のdataと引数をモデル属性として保持しているため、引数は必要ありません。検証引数の一覧については、以下の「引数」セクションを参照してください。

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

YOLOモデル検証の引数#

YOLOモデルを検証する際は、評価プロセスを最適化するために複数の引数を微調整できます。これらの引数は、入力画像サイズ、バッチ処理、性能しきい値などを制御します。以下では各引数を詳しく説明し、検証設定を効果的にカスタマイズできるようにしています。

これらの各設定は検証プロセスで重要な役割を果たし、YOLOモデルの評価をカスタマイズして効率化できます。用途やリソースに応じてこれらのパラメータを調整することで、精度と性能のバランスを最適化できます。

引数を使用した検証例#

以下の例では、PythonおよびCLIでカスタム引数を使用してYOLOモデルを検証する方法を示します。

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}

返されたメトリクスオブジェクトは、後続の分析のためのエクスポートヘルパーも公開します。

詳細については、DataExportMixinクラスのドキュメントを参照してください。

次のステップ#

メトリクスに問題がなければ、モデルをエクスポートしてデプロイ形式に変換してください。精度が不十分な場合は、異なるハイパーパラメータまたは追加の学習データを使用して、再学習に戻ってください。

FAQ#